您是否考虑过添加时间变量的（正弦、余弦）变换？例如，这将确保 0 小时和 23 小时彼此接近，从而使变量的周期性特征得以体现。

（更多信息）

答案取决于您想要表示的时间特征和目标变量之间的关系类型。

如果您将时间编码为数字，那么您对模型施加了某些限制。对于线性回归模型，时间的影响现在是单调的，目标将随时间增加或减少。对于决策树，彼此接近的时间值将被组合在一起。

将时间编码为分类为模型提供了更大的灵活性，但在某些情况下，模型可能没有足够的数据来很好地学习。一种可能有用的技术是将时间值组合到一定数量的集合中，并将该集合用作分类属性。

一些示例分组：

• 对于月份，根据用例分组为季度或季节。例如：1-3 月、4-6 月等。
• 对于一天中的小时，分​​组为一天中的时间桶：早上，晚上等，
• 对于星期几，分组为工作日、周末。

如果有足够的数据，上述每一个也可以直接用作分类属性。此外，还可以通过数据分析发现分组，以补充基于领域知识的方法。

我建议使用数字特征。使用分类特征本质上意味着您不认为两个类别之间的距离是相关的（例如，类别 1 与类别 2 和类别 3 一样接近）。这绝对不是几个小时或几个月的情况。

但是，您提出的问题是您希望以 12 与 11 接近 11 的方式表示小时和月。为了实现这一点，我建议采用评论中的建议并使用使用小时/月作为数字特征之前的正弦/余弦函数。

这取决于您使用的是哪种算法。

如果您使用的是随机森林等基于树的算法，请通过此问题。基于树的算法不需要分类编码。

对于神经网络等其他算法，我建议尝试两种方法（连续和分类）。不同情况下效果不同。