我正在尝试建立一个模型来解决回归任务。

简化后，数据如下所示：

7.16, A 1, B 4, C 15, D 3
8.21, C 3, D 2, G  7, M 4, Y 9
1.85, D 3, N 1, L  1

第一列是一个标签，随后的列是一个类和相应的编号。

例如，第一行表明有一个A，四个B，十五个C和三个D - 这样的配置给我们 7.16。

我的主要问题：

如何表示我的数据以便拟合随机森林回归模型？

我的想法：

1. 找出类的整个列表（有 26 个字母，但我有更多的类）并将所有未知类的零放入每个记录中。Vector.sparse()在这里可能会有所帮助，因为它可以减少所需的内存量。

2. 找出类的整个列表，对应一个从 0 开始的数字，并将每条记录转换为一个向量（即第一个看起来）：0 1 1 4 2 15 3 3。然后每列被视为一个单独的特征，但是在这种情况下，我必须指定我的一些特征是分类的，而这对于 Spark 是不可能的，因为不同的记录具有不同的长度（在 Spark 中，我必须提供特征列，这些特征与类的数量是分类的。在示例中将是一张地图（0 -> 26, 2 -> 26, 4 -> 26) - 就像每第二列是一个有 26 个类别的类）。

3. 可以构建 A:1、B:4、C:15、D:3 等特征，并将它们全部视为分类。或者将决策负担（分类与连续）转移到 Spark 本身。