La clasificación puede entenderse como un modelo lineal.
$dep. variable = \beta * ind. variables + \epsilon$
La variable dependiente es una cadena
Cuando la variable dependiente es categórica se trata de una clasificación. Cuando la variable dependiente es numérica se trata de una regresión. Una cadena puede entenderse como factor/variable categórica no ordenada. Por lo tanto, puede utilizar algoritmos de clasificación como el logit multinomial. Si las cadenas son categorías ordenadas, debe utilizar un algoritmo de clasificación ordenada como logit ordenado.
Una de las variables independientes es una cadena
Incluya variables ficticias para cada categoría. Esto sólo funciona si tiene una pequeña cantidad de categorías. Tome una categoría, por ejemplo C509, como categoría base y añada una variable ficticia para cada una de las demás categorías (C64X, C921, C910, etc.).
Si tanto la variable dependiente como la independiente son una cadena, deberá hacer ambas cosas: convertir las variables independientes en variables ficticias y las dependientes en variables categóricas.
Para resumirlo todo
Convertir la cadena en un factor (código en python) y continuar como en otros procesos de clasificación.
Sugerencia adicional: multicolinealidad
En las primeras 3 de las 6 observaciones de su muestra CAUSABAS y CUSAIA son los mismos. Si las dos variables son iguales para muchas observaciones, podría tener problemas con multicolinealidad . La mayoría de los algoritmos de clasificación no funcionan correctamente si hay multicolinealidad. Se puede utilizar el VIF (Factor de Inflación de la Varianza) para comprobar la multicolinealidad.
