Почему категориальные признаки в scikit-learn часто нужно предварительно кодировать?
Classic MLУровень: ПрактикаCategorical data interfaces
Почему категориальные признаки в scikit-learn часто нужно предварительно кодировать?
Подсказки
- Сформулируйте задачу, входные данные и то, что модель должна предсказывать.
- Сравните метод с простым baseline: допущения, функция потерь и независимая проверка.
Ответ
Большинство моделей принимает числовую матрицу, а не отдельный категориальный тип, поэтому категориям требуется подходящее представление. Числовой ID категории не обязательно имеет смысл как величина или порядок. ColumnTransformer позволяет обрабатывать разные столбцы по-разному. Важное исключение — HistGradientBoosting: поддерживаемые категориальные типы датафреймов он может распознавать через categorical_features='from_dtype'. Кодирование выбирают под модель, а не автоматически применяют one-hot ко всему.
Источник и лицензия: scikit-learn developers — Official FAQ · BSD-3-Clause · ответ: редакция Quantoros · перевод: Quantoros