问sklearn算法是假设序数整数值为连续特征还是范畴特征？

EN

最后，OrdinalEncoded特性只是数字(浮点数)，因此正如CutePoison所说，它们被视为连续的方式。

OrdinalEncoded特性是正确的工作方式吗？视情况而定，你应该问问自己，数据的顺序很重要。.

如果这很重要，您可以使用OrdinalEncoder。典型的例子是电影的评级：["disgusting", "bad", "normal", "good", "super"]。正如你所看到的，坏是“小”比“正常”，所以有秩序的重要性。

然而，在其他分类数据，如专业：["police", "teacher", "lawyer", "engineer"]没有秩序的重要性。例如，你不能说警察比律师“小”。然后，您必须使用OneHotEncoder。

因此，作为结论，这取决于你的分类数据。

当问题是你有一个分类特性时，将一个分类特性转换成另一个分类功能是没有意义的。

如果读取对函数的输入，则有：

dtype:默认np.float64 所需的d型输出。

即输出是标准的浮点数，

这是正确的方式吗？正如所有机器学习一样，它取决于您的应用程序。