我正在尝试构建一个用于账户注册时欺诈检测的机器学习分类模型。我手头的数据包括：姓名、电子邮件地址、坐标（注册时IP地址的纬度和经度）以及标签（欺诈与非欺诈）。这是我数据集的简要摘要：
>>> dataset.summaryIndex(['name', 'email','latitude','longitude','label'],dtype='object')>>> dataset.shape(93207, 4)到目前为止，我在处理训练模型时的坐标变量上遇到了困难。StackExchange上的一些用户建议将纬度和经度转换为X、Y和Z坐标，使用一些正弦和余弦函数的组合。（例如 https://datascience.stackexchange.com/questions/13567/ways-to-deal-with-longitude-latitude-feature）但我不知道在我的分类用例中是否真的需要这样做？我曾考虑将纬度和经度合并为每个记录的一个变量。然而，一些地区的经度值为负值。另外，一些欺诈者可能位于高纬度和经度的地区，而其他欺诈者可能位于低纬度和经度的地区。因此，将纬度和经度合并成一个变量可能不会帮助训练模型？
我也可以将纬度和经度转换为城市名称。但如果我这样做，一个城市的拼写可能与另一个非常遥远的城市相似，这同样可能不会帮助训练模型。有什么建议吗？
回答：
处理这个问题的方法有很多。你分享的链接提到将纬度和经度分开处理并对其进行特征缩放。这种方法很好，因为假设如果它们在球面坐标系中彼此靠近，那么在现实生活中它们实际上也会彼此靠近。
但你的问题有所不同。我猜你需要知道如何在你的模型中处理纬度和经度。你可以按照以下方式进行处理。
1. 选择合适的模型
并不是所有的机器学习技术都要求你对特征进行缩放或归一化。通常进行尺度归一化是为了让模型认为所有特征都是平等的。这是因为一些机器学习模型基于距离度量，如KNN、逻辑回归。所以如果你不进行特征缩放，可能会搞砸学习。如果你使用一些基于树的模型，如决策树、随机森林、XGBoost或GBM，我认为你可以直接使用特征而不进行缩放。因此，你可以直接在特征集中使用纬度和经度。
2. 执行聚类以创建虚拟变量
在这种情况下，你通常可以使用一些聚类技术（如KMeans）对纬度和经度进行聚类，在你的数据集中创建一个名为cluster的特征，并给其赋值聚类编号或距离聚类中心的距离，然后删除纬度和经度列。你还可以为每个聚类创建一个单独的特征，并获取到每个聚类中心的距离，并将这些距离存储在这些变量中。
3. 反向地理编码
如你所提到的，你也可以进行反向地理编码以获取城市和国家名称。但在你的情况下，这种方法可能不是欺诈的强预测因子。但仅供参考，
from pygeocoder import Geocoderlocation = Geocoder.reverse_geocode(12.9716,77.5946)print("City:",location.city)print("Country:",location.country)4. 我的推荐
进行一些层次聚类而不是KMeans，因为KMeans在特征空间是线性性质时最大化方差，但如果是非线性性质，则层次聚类如PAM、CLARA和DBSCAN是最佳选择。
