Machine learning 什么'；在XGboost中显示数字分类数据（特别是一天中的小时数）变量的正确方法是什么？

最好是一个热编码还是将其作为单个数值变量？ 我在网上看到的结论好坏参半：

“对于高基数列和基于决策树的算法，请避免使用OneHot。”

相对于

“（onehotencoded）这是xgboost或任何其他机器学习工具的分类变量的正确表示。”

---

有两种以上的思想流派：）。在实践中，每件事都有利弊，最佳方法将取决于您的数据。因此，通常的前进道路是尝试所有可行的选项，并选择最适合您的用例的选项（不仅在指标方面，而且在CPU/RAM方面，如果数据不太小的话）

例如，OHE将添加多个列，这在长表的情况下会导致较大的内存占用。同时，OHE失去了顺序信息（如果特征是顺序的）。但这可能不是一个问题，因为树经常动态地勾选目标的相关依赖项。另一方面，小时的简单有序数字表示保持内存低，并保持值的有序顺序。但问题是，它在24小时后1小时内失去了信息，它将与xgboost中的树助推器一起工作，但与xgboost中的线性助推器或xgboost之外的其他模型族（线性、svm等）不一起工作，而且对于非顺序特征，它在理论上并不合理（您的问题似乎很笼统）

让我添加适用于此特定情况的第三个学派：您可以对具有重复周期（一年中的月份、一天中的小时等）的功能使用循环编码。其概念是使用sin和cos函数以固定的周期（一天中的小时为24）对每个值进行编码。这允许保持边上的连续性并控制内存（只有2个特征而不是原始的数字顺序表示），编码特征的数量不依赖于基数。在谷歌上可以找到许多讨论，例如，这个问题：。我确信在web上有很多实现，我个人在python中使用了这个：。当然，这并不适用于一般的数字分类数据，而是特别适用于一天中的小时数

---

但正如一开始所说，我个人会尝试所有这些方法，看看哪一种最适合当前的问题。循环编码在概念上最适合一天中的某个小时，但其性能可能比其他方法更差，对于“年龄组”这样的功能来说毫无意义。

“一天中的某个小时”有24个可能的类别级别，这可能还不是“高基数”领域？HoD的确切操作类型-连续、分类或顺序-也取决于数据集。我喜欢保持功能的数量较小，以减少过度拟合的可能性，增加23个功能对我来说感觉非常多。通常不会对序数变量进行一次热编码，例如，如果进行一次热编码，则会丢失2pm非常接近3pm的信息。我想你一定会从两者的尝试中学到一些东西！谢谢你的评论，但我正在寻找一个更一般的答案。从我发布的链接来看，似乎有两种思想流派彼此对立。