Python Scikit学习中的分类数据转换

我有一个用于分类任务的4000万x 22 numpy整数数据数组。 大多数特征都是分类数据，使用不同的整数值表示不同的类别。例如，在“颜色”列中：0表示蓝色，1表示红色，依此类推。我已经用LabelEncoder对数据进行了预处理

将这些数据整合到SK learn的任何分类模型中有意义吗？我试图将数据拟合到随机森林模型中，但精度非常差。我还尝试了一种热编码将数据转换为虚拟变量，但我的计算机在使用一种热编码后只能处理稀疏矩阵，问题是随机林只能接受一个密集矩阵，这将超出我的计算机内存

SK learn中处理分类数据的正确策略是什么

---

LabelEncoder

在您的情况下是无用的，因为输出的数字作为数字没有任何意义（即，对它们执行算术运算是没有意义的）<代码>OneHotEncoder在处理分类数据时非常重要

最近，sklearn在随机林和决策树中学习，因此您可能希望查看最新版本。此外，其他方法，如支持稀疏数据

---

此外，我不认为你需要使用所有4000万个例子来获得一个像样的准确度。随机抽样就足够了，比如说，100k个（这个数字取决于OneHotEncoding后的功能数量、它们的可变性和目标类的数量）。

在尝试处理4000万行数据之前，我会减少您的训练数据量，先找出哪些功能最有用。RandomForest有一个属性

feature\u importances\u

，它将告诉您它认为最有用的功能：感谢您的帮助！我不知道sklearn有这个。哇！这是个好消息！我目前使用的是最新的稳定版本0.15.2。我应该更新到最新的开发版本吗？。很抱歉，我不知道如何为git合并找到正确的版本。@JimGB，我不熟悉sklearn的版本策略，所以当我需要稀疏的随机林时，我只是签出了

master

。