如果您的随机森林算法接受，您可以将它们转换为因子。通常不建议使用分类变量 这是一篇文章提供了有关随机森林中分类变量的信息

Afaik，一旦你处理了分类变量，你最终会得到几列，其中的值要么是真/假（或 0/1）。所以，我看不出将它们设为高斯会有什么帮助。

还有另一种处理分类变量的方法，称为目标/影响编码。

在这个方案中，想法是使用单个浮点列对特征进行编码，其中值是目标变量在共享该类别的所有行上的平均值。这对于基于树的模型特别有用，因为它在特征中强加了顺序关系（即类别右侧的值比左侧的值具有更高的平均响应），并且更容易划分预测空间。

这是对该主题的一个很好的解释：
https

://towardsdatascience.com/why-you-should-try-mean-encoding-17057262cd0 这是最初提出编码的论文的链接：http: //helios.mm。 di.uoa.gr/~rouvas/ssi/sigkdd/sigkdd.vol3.1/barreca.pdf

有更多细节可以避免估计低计数类别的平均值，还有另一个模型 CatBoost 提出了一种解决这种编码引入的偏差的方法，但根据我的经验，这是一种编码高基数分类变量的简单且非常有用的方法.