含字符串与数值的航班预测模型：如何让模型忽略指定列？

不能直接让模型自动忽略这些非数值型列却不删除——绝大多数机器学习模型无法识别原始的类别编码，不处理的话要么直接报错，要么会错误地把类别编码当成连续数值计算（比如把城市编码的字符串或ID当成有大小关系的数值，完全不符合业务逻辑）。

如果你不想用独热编码新增大量特征列，可以试试这些替代方案：

• 目标编码（Target Encoding）：用每个类别对应的目标变量均值（比如某城市航班的延误率）来替换原始编码。这种方式不会新增列，还能直接保留类别和延误结果的关联信息，适合类别取值多的场景（比如155个目的地）。注意要通过交叉验证编码或加入平滑项避免过拟合。
• 频数编码（Frequency Encoding）：用类别在数据集中的出现频率/占比替换原始编码。比如统计每家航空公司的航班数占总航班数的比例，用这个比例作为特征值。操作简单，无新增列，适合类别分布和目标有间接关联的情况。
• 嵌入编码（Embedding）：如果使用神经网络模型，可以将类别特征转换成低维嵌入向量（比如把155个城市转换成8-12维的向量）。这种方式既不会爆炸特征数量，还能捕捉类别间的潜在关联（比如地理位置相近的城市可能有相似的嵌入向量），需要在模型中专门设置嵌入层处理。
• 树模型原生支持：XGBoost、LightGBM、CatBoost这类进阶树模型可以直接处理类别特征（只需提前指定哪些列是类别列）。它们会自动学习类别与目标的映射关系，无需手动编码，也不会像独热编码那样产生大量冗余列。比如用LightGBM时，设置参数categorical_feature=['目的地城市编码', '航空公司编码']即可。

内容的提问来源于stack exchange，提问作者Fernando Araiza