字符串输入数据集适用什么模型？反诈骗机器人Decision Tree报错如何处理

传统决策树以及逻辑回归、SVM等所有传统机器学习模型，本身只接受数值型特征输入，无法直接识别原始字符串格式的文本，你当前的报错是因为直接把未做编码的文本数据喂给了决策树，和决策树本身的适用性无关，你可以选择补全文本编码步骤继续用决策树，也可以更换适配文本场景的模型。

路径1：继续使用决策树模型，补充文本特征编码环节 #

先把原始文本转换为数值矩阵再输入模型，常用编码方式：

• 词袋编码：统计每个文本中不同词汇的出现频次，输出对应维度的数值向量，可直接调用sklearn的CountVectorizer实现
• TF-IDF编码：在词袋编码的基础上增加逆文档频率权重，降低“的”“是”这类高频无意义词的干扰，分类效果优于普通词袋编码，可直接调用sklearn的TfidfVectorizer实现

小优化：编码前先做文本清洗，去除特殊符号、停用词、冗余空格，能进一步提升模型准确率

路径2：更换适配文本分类场景的模型，简化开发流程 #

• 多项式朴素贝叶斯（MultinomialNB）：专门针对文本场景优化，对文本稀疏特征的适配性极强，二分类场景下运行速度快、基线准确率高，适合小数据集快速出效果
• 梯度提升树模型：XGBoost、LightGBM 均支持直接传入文本特征（仅需简单配置词例化规则），分类精度远高于普通决策树，适合中等规模标注数据集
• 预训练语言模型：如果你的标注数据集规模过万，直接使用中文预训练BERT、ALBERT做二分类微调，是当前工业界反诈骗文本识别的主流方案，识别准确率远高于传统模型

内容的提问来源于stack exchange，提问作者Iced Dev