如何在python的决策树中使用分类数据

Question

我有一个数据集，我从中提取了 12 个特征，用于使用决策树的共指解析任务。这些功能的一些示例是：distance_feature(): i 和 j 之间根据句子数的距离。输出：0 或 1Ispronoun_feature()：如果名词短语是代词，则此功能设置为 true。appositive_feature()：此功能检查是否j与 并列i。创建所有这些特征以从数据集中提取结果后，我不知道如何选择根节点或如何使用 sci-kit 学习决策树算法，因为数据不是结构化的并且是分类的。我读过的一篇论文提到了熵和信息增益，但这两个属性的所有示例都基于结构化数据集。

Answer 1

如果您有不同类别的不同功能，并且不想花时间自己编码，我建议使用CatBoost框架，它也比树的标准 scikit 实现更快。

检查这个kaggle的实现！

Answer 2

使用 one-hot 编码。

df = pd.get_dummies(df, [categorical_columns_you_want_to_encode])

如果最终有太多列，您可以预处理您的列以删除不常见的值 - 例如小于 1% 以避免有太多列。