我有一个4000万行22列的整数数据的numpy数组，用于分类任务。大多数特征都是分类数据，使用不同的整数值来表示不同的类别。例如，在“颜色”列中：0表示蓝色，1表示红色，依此类推。我已经使用LabelEncoder对数据进行了预处理。
- 将这些数据拟合到SK-learn的任何分类模型中是否合理？我尝试将数据拟合到随机森林模型中，但准确率极差。我还尝试使用独热编码将数据转换为虚拟变量，但我的电脑在使用独热编码后只能处理稀疏矩阵，问题是随机森林只能接受密集矩阵，这将超过我的电脑内存。
- 在SK-learn中处理分类数据的正确策略是什么？
回答：
LabelEncoder 在你的情况下是无用的，因为输出数字作为数字没有任何意义（即，对它们进行算术运算毫无意义）。处理分类数据时，OneHotEncoder 是必不可少的。
最近sklearn 支持了随机森林和决策树的稀疏输入，所以你可能想查看最新版本。此外，其他方法如LogisticRegression 也支持稀疏数据。
此外，我认为你不需要使用全部4000万个样本来获得不错的准确率。随机抽取大约10万个样本应该就足够了（这个数字取决于独热编码后的特征数量、它们的变异性以及目标类的数量）。
