我在项目中使用了来自Python优秀的Scikit-Learn库的RandomForestRegressor，它给我带来了不错的结果，但我认为我可以做得更好。当我将特征传递给’fit(..)’函数时，是否应该将分类特征转换为二进制特征呢？

例如：而不是这样：

===========continent |===========     1    |===========     2    |===========     3    |===========     2    |===========

可以这样做：

===========================is_europe | is_asia   | ...===========================    1     |     0     |===========================    0     |     1     |===========================

因为它是以树的形式工作的，所以第二种选项可能更好，或者第一种选项会同样有效吗？非常感谢！

回答：

将分类变量二值化是高度推荐的，预计会比没有二值化转换的模型表现更好。如果scikit-learn将continent = [1, 2, 3, 2]视为数值（连续变量[定量]而不是分类[定性]），它会对该特征施加人为的顺序约束。例如，假设continent=1表示is_europe，continent=2表示is_asia，continent=3表示is_america，那么这意味着is_asia总是介于is_europe和is_america之间，当检查continent特征与你的响应变量y的关系时，这不一定是正确的，并且有可能会降低模型的有效性。相反，将其转换为虚拟变量就没有这样的问题，scikit-learn会分别处理每个二进制特征。

要在scikit-learn中将你的分类变量二值化，你可以使用LabelBinarizer。

from sklearn.preprocessing import LabelBinarizer# 你的数据# ===========================continent = [1, 2, 3, 2]continent_dict = {1:'is_europe', 2:'is_asia', 3:'is_america'}print(continent_dict){1: 'is_europe', 2: 'is_asia', 3: 'is_america'}# 处理# =============================binarizer = LabelBinarizer()# 拟合分类特征continent_dummy = binarizer.fit_transform(continent)print(continent_dummy)[[1 0 0] [0 1 0] [0 0 1] [0 1 0]]

如果你在pandas中处理数据，那么它的顶级函数pandas.get_dummies也很有帮助。