¿Cómo se utilizan las variables categóricas al ajustar un árbol de decisión en scikit-learn?

Question

Estoy acostumbrado a R, en el que se puede utilizar factor(variable) para indicar una variable categórica. Sin embargo, en scikit-learn, intentar pasar una variable de cadenas hace que el DecisionTreeClassifier dé un error.

¿Cómo se supone que se utiliza una variable categórica en scikit-learn? ¿La única opción para codificar una variable multiclase es utilizar variables ficticias?

Answer 1

Para codificar una característica categórica como una matriz scipy.sparse se puede utilizar la función DictVectorizer clase. A continuación, llame a la .toarray() en el resultado para convertirlo en un array numpy contiguo, ya que los árboles de scikit-learn no soportan todavía la entrada dispersa.