我对转换为tf-idf的文本数据使用了Random Forest分类器（特征和目标变量都是文本，目标变量是公司名称）由于使用LabelEncoder在没有顺序的地方添加了顺序，所以我首先尝试对公司进行one-hot编码（完整的公司名称将是一列）。这导致了0. 48分。我改变了它，使公司现在是LabelEncoded，得分（具有交叉验证但具有相同参数）跳到0.75。
我有两个与此有关的问题。
Sklearn的文档确实提到LabelEncoder可以用来编码目标变量，这是否意味着添加的序数以某种方式被取反了，实际上可以用它来编码目标变量呢？
另外，你能帮助我理解是什么导致了这个大的改进吗？它是一个“假”的改进，不知何故造成的增加平凡性？
谢谢大家！
1条答案
按热度按时间dly7yett1#
Scikit-Learn分类器可以按原样处理字符串目标。实际上，这应该是默认/预期设置。
当你把一个字符串目标编码成数字目标时（无论是使用
LabelEncoder，OneHotEncoder，还是其他的），你开始错误地表达问题。有一个机会，Scikit-Learn检查你的数据，并决定在幕后使用其他的ML算法（例如，你原来的分类问题看起来像一个回归问题，并将以这种方式处理）。将
LabelEncoder应用到字符串目标不会改变任何东西。您正在使用一个分类器，根据定义，大多数Scikit-Learn分类器将目标视为无序分类问题。也就是说，将标签从字符串转换为整数不会使Scikit-Learn将其视为有序，因为Scikit-Learn代码库根本不包含任何有序建模逻辑！应用
OneHotEncoder会将单个目标列转换为多个（二进制）目标列。如果您看到模型性能发生了巨大变化，那么可能是Scikit-Learn正在将您的问题作为多输出分类问题来处理。TLDR：不要以任何方式编码/转换你的字符串目标！没有必要这样做，这样做的话，你就有可能错误地表达你的问题。