来自多种数据类型特征的决策树

Question

我正在尝试使用 scikit-learn 构建决策树 DecisionTreeClassifier。我的数据具有由整数和浮点值组成的数字特征。

构建决策树时，整数特征被转换漂浮。

例如：如果 A 是一个只能具有 1-12 整数值的特征，则树中会出现 "A < 5.5" 或 "A < 3.1" 等分裂标准。我不想要 A 的浮点值拆分标准。

如果整数要素转换为浮点数，树的深度会增加。如何限制整数特征转换为浮点数？

此外，scikit-learn 的 DecisionTreeClassifier 不允许分类特征。是否有任何替代方法 packages/libraries 用于构建允许分类特征的决策树？

Answer 1

关于决策树的整数与浮点数，对于构建树来说无关紧要。两个连续整数之间的任何拆分都是等价的。它永远不会在同一对连续整数之间进行两次拆分，因为这样做，其中一个叶子将没有样本。无论使用整数还是浮点数，它都会生成一个等效模型。

使用 scikit-learn，您可以使用 LabelBinarizer 来使用分类特征。这将为类别创建一个虚拟值矩阵（一个热编码）。

这是一个例子：

from sklearn.preprocessing import LabelBinarizer
from sklearn.tree import DecisionTreeClassifier
import numpy as np

定义特征

month = ['Jan', 'Feb', 'Jan', 'Mar']
day = [1, 15, 30, 5]

定义类别目标

y = [0, 1, 1, 1]

构建假人：

lb = LabelBinarizer()
X_month_dummies = lb.fit_transform(month)

X_month_dummies 那么：

array([[0, 1, 0],
       [1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]])

将虚拟变量与数字特征相结合（天）

X = np.hstack([np.column_stack([day]), X_month_dummies])

构建分类器。

clf = DecisionTreeClassifier()
clf.fit(X, y)

decision trees from features of multiple datatypes