我正试图用scikit learn的DecisionTreeClassifier构建一个决策树。我的数据具有由整数和浮点值组成的数字特征。
在构造决策树时，整数特征被转换为浮点。
例如：如果A是一个只能有1-12个整数值的特征，分裂标准，如“A
如果将整数特征转换为浮动，则树的深度会增加。如何限制将整数功能转换为浮动？
此外，scikit learn的DecisionTreeClassifier不允许分类功能。是否有其他包/库用于构建允许分类功能的决策树？
关于决策树的整数与浮点，这对于构建树来说并不重要。两个连续整数之间的任何分裂都是等价的。它永远不会在同一对连续整数之间进行两次分裂，因为这样做，其中一个叶子将没有样本。无论使用整数还是浮点数，它都将生成等效模型。
使用Scikit学习，您可以使用LabelBinarzer使用分类功能。这将为类别创建一个虚拟值矩阵（一个热编码）。
以下是一个例子：
from sklearn.preprocessing import LabelBinarizer
from sklearn.tree import DecisionTreeClassifier
import numpy as np
定义功能
month = ['Jan', 'Feb', 'Jan', 'Mar']
day = [1, 15, 30, 5]
定义类别目标
y = [0, 1, 1, 1]
制作假人：
lb = LabelBinarizer()
X_month_dummies = lb.fit_transform(month)
X\u month\u假人是：
array([[0, 1, 0],
[1, 0, 0],
[0, 1, 0],
[0, 0, 1]])
将假人与数字特征组合（天）
X = np.hstack([np.column_stack([day]), X_month_dummies])
构建分类器。
clf = DecisionTreeClassifier()
clf.fit(X, y)
