从混合数据集中选择特征

Question

我是数据科学领域的新手。

我有一个数据集，它既有数字也有字符串 data.The 有趣的是这两种类型的数据都对结果有意义。如何从数据集中选择相关特征？

我是否应该使用 LabelEncoder 并将数据从字符串转换为数字并继续关联？我走的路对吗？有没有更好的办法解决这场危机？

Answer 1

有点逃避，但您可以简单地使用随机森林并愉快地混合数值数据和分类数据。在 OneHotEncoding 上使用 LabelEncoder 进行编码将允许您使用更多种类的算法。

Answer 2

如果对可用值进行有意义的排序并确保在编码中保留排序，则可以使用标签编码对分类变量进行编码。有关示例，请参阅 here。

如果没有排序（或者解析一个有意义的排序是太多的工作），您可以使用单热编码。但是，这会根据数据集中特征的不同值按比例增加特征集。

如果 one-hot 产生非常大的特征集并且分类字符串数据是自然语言词，您可能需要使用预训练嵌入。

无论哪种方式，您都可以将编码的分类列连接到连续特征集，然后继续进行学习和特征选择。