sklearn DecisionTreeClassifier可以真正使用分类数据吗？

Question

在使用DecisionTreeClassifier时，我使用graphviz对其进行了可视化，我不得不说，令我惊讶的是，它似乎需要分类数据并将其用作连续数据。

我所有的功能都是分类的，例如，您可以看到下面的树（请注意，第一个功能X [0]具有6个可能的值0、1、2、3、4、5：
从我在这里找到的类使用的树类是二叉树，因此在sklearn中是一个限制。

有人知道我缺少使用树的方法吗？（我知道这对任务不是更好，但是由于我目前需要分类，因此我在数据上使用了一个热向量）。

原始数据的样本如下所示：

f1 f2 f3  f4  f5  f6  f7  f8  f9  f10  c1  c2  c3
0  C  S  O   1   2   1   1   2   1    2   0   0   0
1  D  S  O   1   3   1   1   2   1    2   0   0   0
2  C  S  O   1   3   1   1   2   1    1   0   0   0
3  D  S  O   1   3   1   1   2   1    2   0   0   0
4  D  A  O   1   3   1   1   2   1    2   0   0   0
5  D  A  O   1   2   1   1   2   1    2   0   0   0
6  D  A  O   1   2   1   1   2   1    1   0   0   0
7  D  A  O   1   2   1   1   2   1    2   0   0   0
8  D  K  O   1   3   1   1   2   1    2   0   0   0
9  C  R  O   1   3   1   1   2   1    1   0   0   0

其中X [0] = f1，我将字符串编码为整数，因为sklearn不接受字符串。

Answer 1

好吧，我很惊讶，但事实证明，sklearn的决策树确实无法处理分类数据。从2015年6月开始，这个问题（＃4899）出现了Github问题，但是它仍然是开放的（我建议您快速浏览一下该线程，因为有些评论非常有趣）。

正如您在此处所做的那样，将分类变量编码为整数的问题在于，它对它们强加了一个 顺序 ，根据情况的不同，该 顺序
可能有意义，也可能没有意义。例如，你可以编码['low', 'medium', 'high']的[0, 1, 2]，因为'low' < 'medium' < 'high'（我们称这些分类变量 序数
），但你仍然隐含作出额外的（也可能是不希望的）假设之间的距离'low'和'medium'与之间的距离相同'medium'，并'high'（在没有影响决策树，但很重要，例如在k-
nn和聚类中）。但是这种方法在诸如['red','green','blue']或的情况下完全失败了['male','female']，因为我们不能要求它们之间有任何有意义的相对顺序。

因此，对于非常规分类变量，正确编码它们以供sklearn决策树使用的方法是使用OneHotEncoder模块。用户指南的“编码分类功能”部分也可能会有所帮助。