使用类别和使用虚拟变量时随机林性能差异的解释

Question

我有一些手编码的特性，这是一个值“高”、“低”和“正常”的类别。

我自己创建了这个特性，当使用虚拟变量扩展这些特性时，问题性能(分类)显著提高。

既然我在尝试随机森林，我想我把“高，低，正常”改为1，-1，0。

现在同样的模型根本学不到。

我觉得它应该更容易分离。这跟我把正常值降到0有关系吗？

谢谢你的解释帮助我理解了这一点。

Answer 1

它应该有效:变量是序数的，所以使用数值是有意义的。

所以在某个地方有个bug，这里有一些值得注意的建议：

• 可能是某个类型转换错误:确保变量被解释为数字。
• 检查模型是否实际使用了变量:如果不使用，则可能存在某种类型错误；如果是，我将研究错误所在:例如，在变量为绝对变量或数字变量的两种情况下，它可能有助于绘制此变量与目标的对应关系。
• 也许训练集的预处理和测试集的预处理有一些不同:将模型应用到训练集上，如果性能良好，那么测试集的预处理很可能有问题。