在随机森林的Mllib版本中，可以用参数指定具有名义特征（数字但仍为分类变量）categoricalFeaturesInfo 的列ML随机森林有什么用？在用户指南中，有一个使用VectorIndexer 的示例，该示例也可以转换vector中的分类特征，但是它写为“自动识别分类特征并对其进行索引”

在关于同一问题的其他讨论中，我发现在随机森林中无论如何数字索引都被视为连续特征，建议进行一次热编码以避免这种情况，在这种算法的情况下似乎没有意义，并且特别是考虑到上述官方示例！

我还注意到，当分类列中有很多类别（> 1000）时，一旦用StringIndexer对其进行了索引，随机森林算法就会要求我设置MaxBin参数，该参数应该与连续功能一起使用。这是否意味着如官方示例中所指定的那样，将要将超过箱数的特征视为连续特征，因此对于我的分类列，StringIndexer是可以的，还是意味着整个具有数字标称特征的列都将是假设变量是连续的，进行分类？

如何为随机森林算法准备循环序数特征，例如一天中的时间或一周中的一天？

仅用午夜后的分钟来编码时间，23:55 和 00:05 之间的信息差异将非常大，尽管只有 10 分钟的差异。

我在这里找到了一个解决方案，其中使用午夜后秒数特征的余弦和正弦将时间特征分为两个特征。但这适合随机森林吗？使用随机森林时，无法确定每次分割都会出现所有特征。通常，决策时有一半的时间会缺少信息。

期待您的想法！

我有一个数据框

       Date      repair     
 <date>           <dbl>        
 2018-07-01        4420    
 2018-07-02          NA   
 2018-07-03          NA
 2018-07-04          NA
 2018-07-05          NA

其中4420是时间，以分钟为单位。我试图得到这个：

       Date      repair     
 <date>           <dbl>        
 2018-07-01        1440    
 2018-07-02        1440   
 2018-07-03        1440
 2018-07-04         100
 2018-07-05          NA

一天中有1440分钟-剩下100分钟。我做到了循环。能否以更优雅的方式实现？

我在这里有这个问题：例如，如果有必要使用图像数据和一些数字数据来预测疾病，那么特征将是这样的：

1. 特点一：疾病形象。形状：（批量大小、宽度、高度）
2. 特征 2：有关患者的数字数据（年龄、身高、性别、国家/地区、工资...），形状：(batch_size,number_of_numeric_features)

模型的输出应该是0/1，0是健康的，1是生病的。

我知道一种方法是使用平面特征作为形状：(width*height+number_of_numeric_feature) 在这种情况下，CNN 在图像分类中的优势将不会被利用。（前馈网络）

所以我的问题是：是否有使用 CNN 结合图像特征和数字特征的最佳解决方案？在 CNN 功能的一个通道中添加数字特征作为图像像素会有帮助吗？在这种情况下，数字特征作为像素的位置距离没有任何意义，因为它们与两个像素的距离没有关系。

就性能和准确性而言，解决此回归问题的最佳方法是什么？在这种情况下，特征重要性会有帮助吗？我该如何处理如此大范围的数据？

请注意，我不是这方面的专家，所以我可能有关于为什么事情/方法不起作用的错误信息或理论。

数据：每个项目都有一个id和各种属性。大多数物品具有相同的属性，但是有一些特殊物品具有物品特定的属性。一个例子看起来像这样：

item = {
  "item_id": "AMETHYST_SWORD",
  "tier_upgrades": 1,  # (0-1)
  "damage_upgrades": 15,  # (0-15)
     ...
  "stat_upgrades": 5  # (0-5)
}

任何属性与该项目的值之间都是线性关系；如果属性的级别增加，则其值也增加，反之亦然。然而，1级升级不一定是2级升级价值的1/2；每个级别增加的附加值是不同的。每次升级的价值在物品之间并不是恒定的，没有升级的物品的价格也不是恒定的。所有属性的上限都为某个整数，但并非所有属性都恒定。

随着物品获得更高级别的升级，它们也更有可能进行其他高级升级，这就是为什么价格在升级级别 10+ 时开始出现更陡峭的原因。

收集的数据：我收集了有关这些物品的价格以及这些升级的各种不同组合的大量数据。请注意，每次升级永远不会有每种组合，这就是为什么我必须对这个问题进行某种预测。

就经济和定价而言，无法从商店直接购买的高等级、低掉落几率的物品将根据纯粹的需求/供应来定价。然而，需要一定成本来解锁/购买的中间层物品通常会比获取成本稍高一些。

有些升级是二进制的（范围从 0 到 1）。如下所示，几乎所有点都tier_upgrades == 0与 的下半部分重叠tier_upgrades == 1，我认为这可能会导致任何类型的回归出现问题。

到目前为止所做的尝试：我尝试过线性回归、K 最近邻搜索，并尝试制定自定义算法（更多内容见下文）。

回归：它有效，但误差很大。由于我正在处理的数据的性质，许多特征不是 1 就是 0 和/或有很多重叠。据我了解，这会在模型中产生大量噪声并降低其准确性。我也不确定它扩展到多个项目的效果如何，因为每个项目的价值都是相互独立的。除此之外，从理论上讲，回归应该有效，因为不同的属性会线性影响项目的价值。

from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn import linear_model

x = df.drop("id", axis=1).drop("adj_price", axis=1)
y = df.drop("id", axis=1)["adj_price"]

x_train, x_test, y_train, y_test …

我试图找出使用 GCP Vertex AI 特征存储和将预处理特征保存到 BigQuery 并在需要时加载之间的主要区别。

我仍然不明白为什么选择第一个选项，而不是第二个选项，后者似乎更容易且更容易访问。

有什么充分的理由在 Vertex AI 中使用特征存储，而不是以 BigQuery 表格式存储特征？