我找到了2014年的这个讨论，答案是不能，sklearn随机森林分类器不能处理分类变量（至少不能直接处理）。到了2020年，这个答案有变化吗？

我想将gender作为我的模型的一个特征。然而，gender可以取三个值：M，F 或 np.nan。如果我将这一列编码为三个二元列，随机森林分类器如何知道这三个列代表一个特征？

假设max_features = 7。在训练一个给定的树时，它会随机选择七个特征。假设gender被选中。如果gender被分成三列（gender_M，gender_F，gender_NA），随机森林分类器会总是选择所有三列并将其计为一个特征，还是有可能会只选择一到两列？

回答：

如果max_features设置为低于实际列数的值（这是建议的方法，请参见文档中推荐的max_features值），那么是的，对于随机森林中的某个估计器，有可能只考虑虚拟列的一个子集。

但这不一定是坏事。在决策树中，一个特征在给定层次被选为节点，目的是优化某个度量值，这个过程独立于其他特征，只考虑实际的特征和目标。因此，在某种意义上，模型不会将这些虚拟列视为属于同一个特征。

总的来说，对于二元特征，最好的方法是找到适当的方法来填补缺失值，并将其转换为单列编码为0和1。