我在机器学习算法方面是新手。我广泛阅读了scikit-learn网站和其他Stack Overflow的帖子，这让我使用RandomForestClassifier和LinearSVC构建了我的第一个机器学习算法。

我正在处理医疗记录。每位患者的住院期间可能（或不可能）与一个对应并发症的代码相关联（如出血、感染、心脏病发作等）。

使用经过CountVectorizer和tfidfTransformer处理和转换的记录，我可以准确预测大部分代码。然而，我想向我的训练数据集中添加更多数据：住院天数、手术次数、手术名称、ICU住院时长等…

在浏览网络和Stack Overflow后，我最终将所有连续/二元/缩放值添加到我的词频数组中。

例如：[0,0,0.34,0,0.45,0, 2, 45]（最后两个数字是添加的数据，而之前的数字匹配countvectorizer和tfdif.fit_transform(train_set)的结果）

然而，这对我来说似乎是一种粗糙的组合数据方式，大量的词可能会掩盖其他数据。

我尝试将数据设置为：[[0,0,0.34,0,0.45,0],[2],[45]]，但这不起作用。

我在网上搜索了，但没有找到真正的线索，尽管我可能不是第一个遇到这个问题的人…:p

谢谢你的帮助

编辑：

谢谢你详细而有价值的回答。我非常感激。然而，0-1的范围到底是什么：是{predict_proba}的值（http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html#sklearn.ensemble.RandomForestClassifier.predict)吗？我理解分数是预测模型的准确性。那么，当你有所有基于每个变量的预测时，你是将它们全部平均吗？最终，我在处理多个输出，我猜这不是问题，因为我可以为每个输出获得一个预测（顺便说一下，predict_proba(X)给我一个类似[array([[0.,1.]]), array ([[0.2,0.8]])…..]的数组，使用随机森林分类器。我猜其中一个数字是输出的概率，但我还没有探索这一点！）

回答：

你最初的简单追加到列表中的解决方案是正确的。然而，你应该考虑这意味着什么。如果你有100个词并添加两个额外的特征，每个特定的词将获得与添加的特征相同的“权重” – 也就是说 – 你的添加的特征在模型中不会被特别重视。此外，你在说最后一个特征值为45的特征是倒数第四个特征（0.45）的100倍。

一种常见的解决方法是使用集成模型。不是将这些特征添加到你的词列表中并进行预测，而是首先仅使用词构建一个预测模型。该预测将在0-1范围内，并捕捉文章的“情感”。然后，缩放你的其他变量（最小-最大缩放器，正态分布等）。最后，将词的分数与最后两个缩放变量结合起来，并在类似[.86,.2,.65]的列表上运行另一个预测。通过这种方式，你已经将所有词转换为一个情感分数，你可以将其用作一个特征。

希望这对你有帮助。

根据你上面的更新进行的编辑

是的，在这种情况下你可以使用predict_proba，但如果一切都正确缩放，并且你使用1/0作为类的目标，你不需要predict_proba。关键是将词的预测与其他变量结合起来。你不是平均预测，你是从预测中进行预测！这被称为集成学习。使用你的预测输出作为特征训练另一个模型。这是你需要做的流程图。