Machine learning 如何在机器学习中管理具有许多不同值（500）的分类变量？

假设我有一个数据集15列，它有2个类别列。这些列有许多不同的值，大约为200。如果我们应用onehot/dummy varibale，那么它将创建400列（用于上述两列）。这是处理问题的好方法还是有更好的方法。

这个问题没有“一刀切”的答案。它取决于数据的类型和上下文、数据的域或业务需求以及许多其他因素。然而，这里有一些可以考虑的建议

对数据执行装箱。根据地理位置（国家的一部分）、人口规模、天气状况等，城市名称列表可以分成较少的类别。同样，这取决于业务环境。这将有助于减少类别的数量

对数据应用标签编码。标签编码通常适用于基于树的算法，而不是一种热编码

如果一个热编码是绝对必要的，那么应用它，特别是对于线性模型。如果以后需要减少特征的数量，PCA也可以用于相同的目的

因此，总结一下——如果解决方案看起来不“明显”，那么尝试所有选项，看看哪一种效果最好

---

此外，必须考虑测试数据中“新类别”的特殊情况，否则模型将在生产中失败。

感谢您的建议。这是一条非常有趣的评论，关于标签编码对基于树的模型有更好的效果。你能详细说明一下吗？你有没有找到任何推荐人？