看起来你明白你可以有n水平，而不是n-1，因为与线性回归不同，你不需要担心完美的共线性。

（我是从 R 的角度来看的，但我认为它在 Python 中是相同的。）这取决于几件事，例如 1）您正在使用哪个包和 2）您有多少因子级别。

1）如果您使用的是 R 的randomForest软件包，那么如果您的因子水平 <33，那么您可以继续，如果您愿意，可以将它们保留在一个功能中。这是因为在 R 的随机森林实现中，它会检查哪些因子级别应该在拆分的一侧，哪些在另一侧（例如，您的 5 个级别可能在左侧分组在一起，而 7 个可能被分组一起在右边）。如果您将分类特征拆分为n虚拟对象，则算法将无法使用此选项。

显然，如果您使用的特定包无法处理分类特征，那么您只需要创建n虚拟变量。

2）正如我上面提到的，R 的随机森林实现只能处理 32 个因子级别——如果你有更多，那么你需要将你的因子分成更小的子集，或者为每个级别创建一个虚拟变量。

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），并且更容易分割预测空间。

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.