Некоторые методы прогнозирующего моделирования больше предназначены для обработки непрерывных предикторов, а другие - для обработки категориальных или дискретных переменных. Конечно, существуют методы преобразования одного типа в другой (дискретизация, фиктивные переменные и т. Д.). Однако существуют ли какие-либо методы прогнозного моделирования, которые предназначены для одновременной обработки обоих типов ввода без простой трансформации типа функций? Если да, то как эти методы моделирования лучше работают с данными, для которых они более естественны?
Ближе всего , что я знаю , что было бы обычно дерева решений обрабатывать дискретные данные хорошо , и они обрабатывают непрерывные данные , не требуя от передней дискретизации. Тем не менее, это не совсем то, что я искал, так как разделение на непрерывные функции - это всего лишь форма динамической дискретизации.
Для справки, вот несколько связанных, не повторяющихся вопросов:
- Как следует реализовывать разбиения дерева решений при прогнозировании непрерывных переменных?
- Могу ли я использовать множественную регрессию, когда у меня смешаны категориальные и непрерывные предикторы?
- Имеет ли смысл когда-либо относиться к категориальным данным как к непрерывным?
- Непрерывный и категориальный анализ переменных данных