目前，我正在处理以下数据集，其中包含多个具有不同值的列，我希望将每一行分类到正确的类别中——在这种情况下，是正确的工程师。
目标：根据类别、问题类别、受影响的设备、创建原因、问题状态和优先级，确定票据属于哪位工程师。这是一个分类问题，我使用人工神经网络来解决这个问题。
数据集结构类别 | 问题类别 | 受影响的设备 | 创建原因 | 问题状态 | 优先级 | 安全工程师网络安全 渗透攻击 个人用户设备 每小时分析 已转移 3 K. Schulz网络安全 缺乏认证 公司主要设备 每小时分析 已关闭 2 U. Frank物联网 安装恶意软件 个人用户设备 每小时分析 已转移 2 L. Tolso........# 特征矩阵X = dataset.iloc[:,:-1].values# 依赖变量：工程师y = dataset.iloc[:,-1:].values# 将分类数据编码为数值数据# 优先级列不会被编码，因为它已经是数值数据，即0,1,2,3.labelEncoder_X_category = LabelEncoder()labelEncoder_X_problem_category = LabelEncoder()labelEncoder_X_affected_devices = LabelEncoder()labelEncoder_X_reason_for_creating = LabelEncoder()labelEncoder_X_issue_status = LabelEncoder()X[:, 0] = labelEncoder_X_category.fit_transform(X[:, 0])X[:, 1] = labelEncoder_X_problem_category.fit_transform(X[:, 1])X[:, 2] = labelEncoder_X_affected_devices.fit_transform(X[:, 2])X[:, 3] = labelEncoder_X_reason_for_creating.fit_transform(X[:, 3])X[:, 4] = labelEncoder_X_issue_status.fit_transform(X[:, 4])# 创建虚拟变量# 第零列（类别）将被用于将该列的编码数据拆分为多个包含许多0和1的列oneHotEncoder_category = OneHotEncoder(categorical_features = [0])# 一旦第零列被拆分为0和1的列，将其附加到当前的特征矩阵X = oneHotEncoder_category.fit_transform(X).toarray()print(X)# 将数据拆分为训练集和测试集# 尚未实现，因为我想解决我的问题# 特征缩放 # 尚未实现，因为我想解决我的问题问题
-
除了优先级列外，所有列都已编码为数值，仅第零列（类别）被拆分为多个包含0和1的列，但我是否也需要将其他列拆分为0和1，还是只有一列就足够了？
-
我担心需要避免多重共线性问题，即不能在模型中包含所有虚拟变量，但如果我将其他列编码为0和1，我该如何应用这一原则？
我尽可能详细地阐述了我的问题情况，希望没有让任何人感到困惑，但如果有，请随时纠正我或问我更多问题，我将非常乐意帮助您。
回答：
有不同的方法可以编码分类数据，但最常见的是独热编码。在你的情况下：
-
是的，你需要对所有分类列进行独热编码，使每列成为一个向量
[0,0,...,1,0,0,...]。现在你可以将所有列向量连接成一个大的单一向量作为网络的输入。输出将是对工程师的分类。你可能也需要对优先级进行独热编码，因为它可能有有限的、离散的值，可以被视为类别。 -
我不确定你为什么担心多重共线性。通常这是在进行回归时才需要关注的问题，在你的分类情况下，神经网络基本上会选择状态的组合（因为你对每列都进行了独热编码），并学会忽略其他组合。这对任何学习算法都是成立的，如果工程师A总是对某个类别做出响应，那么这就足以对数据进行分类。
查看你的数据，我会考虑使用决策树。叶节点将是工程师，你从最具区分性的特征开始分支。优点是你可以确切知道它学到了什么，并且可以可视化它。更好的情况是，如果有轻微的变化（新类别、新工程师等），你可以手动修改树，直到你有新的训练数据。
