处理分类变量的Python策略

我目前正在从事一项

二进制分类

任务，其中类是

不平衡的

我有以下不同级别的

category

属性：

time_slot: 8 levels
product_type: 3 levels
state: 40 levels
due_day: 6 levels (Mon - Sat)
lead_time: numerical in days (0-100)

现在，我计划首先使用三种算法：

Logistic Regression, Decision Tree and Random Forest

当涉及到分类变量时，我很困惑什么样的编码策略是最好的

LabelEncoder, OneHot, BinaryEncoding?

此外，我正在考虑为

lead\u time

---

任何提示都是有用的。

我相信你的问题没有简明的答案，特别是因为你的数据集的细节还不清楚。通常最好尝试不同的方法，看看哪种方法在特定情况下效果最好。使用

scikit-learn

，您可能需要查看库

总的来说，所有的策略都有其优点和缺点。通常不鼓励对分类特征进行标签编码，因为它可能会人为引入一个顺序（特别是对于计算权重的算法，如

逻辑回归

）。另一方面，一种热编码通常会增加维数，因为所有类别都转换为二进制特征。在你的例子中，可能没有那么戏剧性，但如果你有几个具有高基数的分类特征，那肯定是个坏主意

最后，您还可以查看一些能够处理开箱即用的分类特征的算法，如or

---

“试一试”听起来可能不尽如人意，但我认为这是一个可靠的方法。

看看一个热门的enconding（OHE），它可以将您的分类数据转换为能够为您的模型提供支持的功能