将分类特征编码为Scikit-Learn的Enum

Question

我目前正在尝试为Scikit-Learns的RandomForest模型(回归)预处理一个具有许多分类特征的非常大的数据集。分类数据的性质要求不通过编码方案添加任何顺序性。H2o ML框架(Link)提供了enum-encoding，它非常适合我的数据。然而，我依赖于Scikit-Learns RandomForest。

有没有人知道一些针对Scikit-Learn模型的enum-encoding？(One-Hot-Encoding不是选项)

提前感谢！

Answer 1

只有标签编码、LabelEncoder和OHE在sklearn中可用。然而，它并没有提供您想要的功能，因为类别被简单地编码为整数，我相信这只对序数类别有意义。我相信，在sklearn中，实现这种枚举类别处理的是模型(因为sklearn中有很多模型，它们中的大多数都无法从这种编码中受益)。

我认为，LightGBM声称here在内部实现了这种类型的类别处理，但我实际上不能100%确定这是否是真的。优点是它们都有RF和GBM树构建器，所以你可以很容易地在它们之间切换，而且它比sklearn实现更快。

还要注意的是，CatBoost有一个用于内部类别编码的reach工具包，但到目前为止我还没有使用它的经验。