Python sklearn编码分层学习功能
sklearn是否有一种有效的方法来编码具有许多独特值的层次结构特征 这里是上下文：我有一个汽车价格数据集，我想建立一个（回归和随机森林）模型来预测汽车价格。在数据集中，两个特征是分类的：maker和model。例如，制造商包括日产（Nissian）、本田（Honda）等，车型包括天际线（Skyline）、雅阁（Accord）等。。每个模型都属于一个制造者，因此它在这两个特征之间形成了一个层次结构 数据集中有50种不同品牌和900种不同型号。我尝试使用sklearn的LabelEncoder和OneHotEncoder对这两个特性进行编码，这会产生一个非常大的稀疏矩阵，每行有900多个虚拟变量。显然，这确实使用了maker和model之间的层次结构，这将导致学习模型效率低下。有没有更好的方法通过sklearn对这两个特性进行编码Python sklearn编码分层学习功能,python,machine-learning,scikit-learn,feature-extraction,categorical-data,Python,Machine Learning,Scikit Learn,Feature Extraction,Categorical Data,sklearn是否有一种有效的方法来编码具有许多独特值的层次结构特征 这里是上下文：我有一个汽车价格数据集，我想建立一个（回归和随机森林）模型来预测汽车价格。在数据集中，两个特征是分类的：maker和model。例如，制造商包括日产（Nissian）、本田（Honda）等，车型包括天际线（Skyline）、雅阁（Accord）等。。每个模型都属于一个制造者，因此它在这两个特征之间形成了一个层次结构 数据集中有50种不同品牌和900种不同型号。我尝试使用sklearn的LabelEncoder和O