python中随机森林的数据准备和预测建模

我正在使用分类输出（通过/失败：二进制1或0）和大约200个特性进行预测建模练习。我有大约350K个这样的培训示例，但如果需要，我可以增加数据集的大小。以下是我遇到的几个问题：

1-我正在处理严重失衡的班级。在这些350K示例中，只有2K被标记为“失败”（即分类输出=1）。我如何解释这一点？我知道有几种技术，例如使用引导向上采样

2-我的大部分特征（~95%）都是分类的（例如城市、语言等），每个特征的级别不到5-6级。我是否需要将它们转换为功能每个级别的二进制数据？例如，如果功能“city”与纽约、巴黎和巴塞罗那有3个级别，那么我可以将其转换为3个二元功能：city_New_York、city_Paris和city_Barcelona

3-选择模型本身：我正在考虑一些，例如SVM、K-邻域、决策树、随机林、逻辑回归，但我的猜测是，随机林将适用于此，因为有大量分类特征。有什么建议吗

4-如果我使用随机林，我是否需要（a）对连续变量进行功能缩放（我猜不是），（b）将连续变量更改为二进制变量，如上面问题2所述（我猜不是），（c）说明我的严重不平衡类，（d）删除缺失值

提前感谢您的回答

它有助于使用平衡类进行训练（但不要与它们交叉验证），RF对数据的效率令人惊讶，因此您可能不需要所有350k负样本进行训练。通过从该池中进行替换取样，选择相同数量的正面示例。不过，别忘了留下一些积极的例子供验证

如果您在scikit学习中，请使用pandas的df.get_dummies（）生成二进制编码。R为作为因子的变量进行二进制编码。在幕后，它有点像矢量

我总是从RF开始，因为它的旋钮太少了，这是一个很好的基准。在我理顺了我的特征变换并获得AUC之后，我尝试了其他方法

a） 不b）不c）是d）是的，它需要以某种方式修复。如果您可以删除任何预测值缺失的数据，那就太好了。然而，如果这是不可能的，中位数是一个常见的选择。假设正在构建一棵树，并选择变量X4进行拆分。RF需要在一条线上选择一个点，并将所有数据发送到左侧或右侧。对于X4没有值的数据，它应该做什么？以下是R中采用的策略：

对于数值变量，NAs将替换为列中间值。对于因子变量，NAs被替换为最频繁的级别（随机打破联系）。如果对象不包含NAs，则会原封不动地返回

---

为什么要用python标记这个？