Nous avons un peu de mal à comprendre comment JMP traite les données catégorielles dans les forêts aléatoires. Nous avons créé un petit ensemble de données pilote et cartographié les données catégorielles à l'aide de diverses techniques, dont plusieurs sont suggérées dans ce forum. Cependant, je ne comprends pas vraiment pourquoi nous devrions voir une telle différence de performances lors de l'utilisation de ces mappages. Si je mappe un ensemble discret de valeurs sur un autre ensemble discret de valeurs (par exemple, des chaînes de caractères sur des entiers), pourquoi cela devrait-il faire une telle différence dans JMP ?
Nous ne voyons pas ce genre de variation lors de l'utilisation des algorithmes de forêt aléatoire Python ou MATLAB. Avec JMP, la différence de taux d'erreur pour les données retenues et sur l'ensemble d'apprentissage est significative.
Nous avons lu la plupart des articles sur ce sujet et pouvons fournir plus de détails, y compris un ensemble de données d'essai, si nécessaire. Mais avant de sauter dans le trou du lapin consistant à choisir une méthode qui optimise les performances dans JMP, j'espérais que quelqu'un pourrait expliquer brièvement pourquoi leur implémentation de forêts aléatoires est si sensible à la façon dont vous mappez les données catégorielles.
Merci.
Les valeurs entières mappées utilisent-elles le type de modélisation nominal ou le type de modélisation continue par défaut ?
Salut Mark,
Bon point. Mon étudiant diplômé faisant ce travail a dit "oh!" 
Merci beaucoup,
-Joe
