Machine learning 如何处理字符串特征的分类？

我正在开发一个广告点击推荐系统，在这个系统中，我必须预测用户是否会点击广告。我总共有98个功能，包括用户功能和广告功能。一些对预测非常重要的特征具有如下字符串值

**FEATURE**
Inakdtive Kunmden
Stammkfunden
Stammkdunden
Stammkfunden
guteg Quartialskunden
gutes Quartialskunden
guteg Quartialskunden
gutes Quartialskunden

---

在整个数据列中有14个不同的字符串值。我的模型不能将字符串值作为输入，所以我必须将它们转换为分类int值。我不知道如何做到这一点，并使这些功能有用。我正在使用K-MEANS聚类和随机森林算法。

在将字符串值列表转换为分类整数时要小心，因为模型可能会将整数解释为具有数字意义，但它们可能不是

例如，如果：

'Dog'=1,'Cat'=2,'Horse'=3,'Mouse'=4,'Human'=5

然后，聚类算法中的距离度量会认为人类更像老鼠而不是狗。将它们转换成14个二进制值通常更有用，例如

把这个翻过来：

'Dog'
'Cat'
'Human'
'Mouse'
'Dog'

为此：

'Dog'  'Cat'  'Mouse'  'Human'
  1      0       0        0
  0      1       0        0
  0      0       0        1
  0      0       1        0
  1      0       0        0

不是这个：

'Species'
    1
    2
    5
    4
    1

---

但是，如果数据将成为您要分类的“目标”，而不是数据“特征”，则可以在SciKit Learn中的大多数多分类算法中将其保留为INT

在将字符串值列表转换为分类整数时要小心，因为模型可能会将整数解释为具有数字意义，但它们可能不是

例如，如果：

'Dog'=1,'Cat'=2,'Horse'=3,'Mouse'=4,'Human'=5

然后，聚类算法中的距离度量会认为人类更像老鼠而不是狗。将它们转换成14个二进制值通常更有用，例如

把这个翻过来：

'Dog'
'Cat'
'Human'
'Mouse'
'Dog'

为此：

'Dog'  'Cat'  'Mouse'  'Human'
  1      0       0        0
  0      1       0        0
  0      0       0        1
  0      0       1        0
  1      0       0        0

不是这个：

'Species'
    1
    2
    5
    4
    1

但是，如果数据将成为您要分类的“目标”，而不是数据“特征”，则可以在SciKit Learn中的大多数多分类算法中将其保留为INT

我喜欢user1745038，它应该会给您带来相当好的结果。然而，如果你想从字符串中提取更有意义的特征，特别是如果字符串的数量显著增加，考虑使用一些NLP技术。例如，“狗”和“猫”比“狗”和“老鼠”更相似

祝你好运

我喜欢用户1745038，它会给你带来相当好的结果。然而，如果你想从字符串中提取更有意义的特征，特别是如果字符串的数量显著增加，考虑使用一些NLP技术。例如，“狗”和“猫”比“狗”和“老鼠”更相似

---

祝你好运

为什么不给每个特征值分配一个唯一的值？@Ashokaella如下面的回答所述，我的模型可能会将这些唯一的整数值解释为具有数字意义的值。为什么不给每个特征值分配一个唯一的值？@Ashokaella如下面的回答所述，我的模型可能会将这些唯一的整数值解释为具有数值意义的值。这真的很好。谢谢这肯定会提高我的结果的准确性。但这将为我的数据集增加14个特征。我已经在为过度装修而挣扎了。我希望这不会增加它。这真的很好。谢谢这肯定会提高我的结果的准确性。但这将为我的数据集增加14个特征。我已经在为过度装修而挣扎了。我希望这不会增加它。