在预处理时保留数据点之间的关系

Question

我的任务是一个项目，目的是预测产品被退回的概率，甚至在产品被订购之前。

我有一个excel，里面有一堆订单。为了做出预测，重要的是预测订单篮中的每一项，例如，如果一个人订购了5双鞋，他很可能会退回5双鞋中的4双。

我可以链接不同产品的购买通过他们的订单ID。问题是，我应该如何预处理这些身份证，以保持他们的关系。我只是把它们编码成一个分类属性吗？

Answer 1

是。有两个编码顺序选项：

• 一个热门编码:当我们想要将OrderID的不同值作为特性处理时非常有用。因为订单ID并不意味着什么。不建议使用此编码。
• 像1,2 ,3这样的简单数字编码:这将消除orderID中的任何意义。但我们并不担心这一点。因此，该方法是可行的。

现在，在选择模型时出现了问题。订单ID与其他功能(如项目类别)相关联。如果同一order_id中有4只鞋，那么返回的几率就很高。您不能在这里使用逻辑分类模型：

• 特征不应相互关联
• 特征应与自变量线性相关。

没有上述限制的分类器是:决策树，随机森林。从决策树开始，剪枝，然后到RF。我们稍后再讨论模特儿部分。