Estamos teniendo algunos problemas para entender cómo JMP trata los datos categóricos en bosques aleatorios. Hemos creado un pequeño conjunto de datos piloto y mapeado los datos categóricos utilizando una variedad de técnicas, incluidas muchas sugeridas en este foro. Sin embargo, realmente no entiendo por qué deberíamos ver tanta diferencia en el rendimiento cuando usamos estas asignaciones. Si estoy mapeando un conjunto discreto de valores a otro conjunto discreto de valores (por ejemplo, cadenas de caracteres a números enteros), ¿por qué debería hacer una gran diferencia en JMP?
No vemos este tipo de variación cuando usamos Python o los algoritmos de bosque aleatorio de MATLAB. Con JMP, la diferencia en las tasas de error para los datos retenidos y en el conjunto de entrenamiento es significativa.
Hemos leído la mayoría de las publicaciones sobre este tema y podemos proporcionar más detalles, incluido un conjunto de datos de prueba, si es necesario. Pero antes de saltar a la madriguera de elegir un método que optimice el rendimiento en JMP, esperaba que alguien pudiera explicar brevemente por qué su implementación de bosques aleatorios es tan sensible a la forma en que mapea datos categóricos.
Gracias.
¿Los valores enteros asignados utilizan el tipo de modelado nominal o el tipo de modelado continuo predeterminado?
Hola, Mark,
Buen punto. Mi estudiante de posgrado que hacía este trabajo dijo "¡oh!" 
Muchas gracias,
-José
