Machine learning 如何在将类数据（具有大量唯一值）输入机器学习模型之前对其进行预处理？

比如说，我有一个在线游戏平台（如steam）的大量数据，其中有“日期、用户id、玩的小时数、没有玩的游戏数”，我必须编写一个模型来预测用户在给定日期未来玩的小时数。现在，user_id有大量的唯一值（以百万为单位）。我知道对于类数据，我们可以使用一种热编码，但不确定当我有数百万个唯一类时该怎么办。另外，建议我们是否可以使用任何其他方法来预处理数据。

直接在模型中使用用户id不是一个好主意，因为这会导致像您所说的那样大量的功能，但也会导致过度拟合，因为您每行可以获得一个id（如果我正确理解您的数据）。它还将使您的模型在出现新用户id的情况下变得无用，并且您必须在每次有新用户时重新培训您的模型

首先，我建议删除这个变量，并尝试只使用其他变量构建一个模型

您可以尝试的另一个想法是基于其他功能对您拥有的用户执行集群，然后将集群作为功能而不是用户id传递，但我不知道这是否是一个好主意，因为我不知道您拥有的数据类型

---

此外，您正在谈论对给定日期进行预测。您描述的数据并不表明，但如果您有多个日期的小时数，这更接近于时间序列预测问题，这与“经典”回归问题不同。

您已经尝试过什么？你得到了什么错误？我没有尝试过任何东西，我不知道用什么来嵌入大量的类。在这种情况下，一个热编码器将如何工作？我的一个朋友尝试了一个用于20k类的热编码器，但在使用scikit learn时出现了一些错误。错误与大小有关@阿卡斯