相关疑难解决方法(0)

首先感谢你阅读我，如果你能提供任何线索来帮助我解决这个问题，非常感谢。

由于我是 Scikit-learn 的新手，请不要犹豫提供任何可以帮助我改进过程并使其更专业的建议。

我的目标是在两个类别之间对数据进行分类。我想找到一个可以给我最精确结果的解决方案。目前，我还在寻找最合适的算法和数据预处理。

在我的数据中，我有 24 个值：13 个是名义值，6 个是二值化的，其他是连续的。这是一行的示例

"雷诺";"CLIO III";"CLIO III (2005-2010)";"柴油";2010;"HOM";"_AAA";"_BBB";"_CC";0;668.77;3;"Fevrier" ;"_DDD";0;0;0;1;0;0;0;0;0;0;247.97

我有大约 90 万行用于学习，我的测试超过 10 万行

由于我想比较几个算法实现，我想对所有标称值进行编码，以便它可以在多个分类器中使用。

我尝试了几件事：

1. LabelEncoder ：这非常好，但它给了我分类器错误解释的有序值。
2. OneHotEncoder ：如果我理解得很好，它非常适合我的需求，因为我可以选择要二值化的列。但是由于我有很多标称值，它总是在 MemoryError 中。此外，它的输入必须是数字，因此之前必须对所有内容进行 LabelEncode。
3. StandardScaler ：这非常有用，但不是我需要的。我决定整合它来扩展我的连续值。
4. FeatureHasher ：首先我不明白它的作用。然后，我看到它主要用于文本分析。我试图用它来解决我的问题。我通过创建一个包含转换结果的新数组来作弊。我认为它不是为那样工作而构建的，它甚至不合逻辑。
5. DictVectorizer ：可能很有用，但看起来像 OneHotEncoder 并在内存中放入更多数据。
6. partial_fit ：此方法仅由 5 个分类器给出。我希望能够使用感知器、KNearest 和 RandomForest 至少做到这一点，所以它不符合我的需求

我查看了文档，并在Preprocessing and Feature Extraction页面上找到了这些信息。

我想有一种方法来对所有标称值进行编码，这样它们就不会被视为有序的。该解决方案可以应用于类别众多、资源薄弱的大型数据集。

有什么方法可以满足我的需求？

感谢您提供任何线索和建议。