Python机器学习：反映类之间的相关性的类标签

Question

我有一个时间序列，我想用python中的机器学习来预测（使用神经网络，但并不重要）。除了以前的值（$ t-1 $，$ t-2 $，...等）使用信息之外，我想使用另一个变量：当天的小时。

笨方法

一种方法是映射：

$ 00：00 \ RIGHTARROW 0 $

$ 01：00 \ RIGHTARROW 1 $

。 ... 等等。所以我想要$ 24 $ $ $ {0,1,2，...，23} $。但是有一个问题：$ 23 $和$ 0 $关闭，但同时这并不反映在这里。

第二种方法：一个热门编码？

另一种方法是创建带有$ 24 $条目的矢量，其中所有元素都为零，除了我们正在查看的类。这相当于创建虚拟变量。例如：

$ 00：00 \ RIGHTARROW [1,0,0,0，...，0] $

$ 01：00 \ RIGHTARROW [0,1,0,0 ,. ..，0] $

...等等。但是有一个问题：这并不能完全反映相关性！

其他方法

我想使用一些环状结构，例如$罪，$ COS $也许极坐标？

我还没有找到解决办法，但这是我的进步：

1. 通过归他们
2. 规模将它们映射笨方法的类标签$ [0,1] $，范围从$ 0 $到$ 2 \ pi $。
3. 对他们使用$ cos $或$ sin $。

这种方法不起作用，但我可以看到一些光..任何想法？

Answer 1

我有点发现一个解决方案。从类别标签[0,1,2,3,4,5]我们使用类标签作为第一列构造如下

array([[ 0, 15, 24, 33, 42, 51], 
     [ 1, 10, 25, 34, 43, 52], 
     [ 2, 11, 20, 35, 44, 53], 
     [ 3, 12, 21, 30, 45, 54], 
     [ 4, 13, 22, 31, 40, 55], 
     [ 5, 14, 23, 32, 41, 50]]) 

这是创建。然后第二列从10开始到15，但是它被移动以便“间隙”在第一和第二标签之间，而不是最后一个和第一个。你重复一遍。

然后分配

0 --> [ 0, 15, 24, 33, 42, 51] 
1 --> [ 1, 10, 25, 34, 43, 52] 

等.. 然后以常态FO任何两个“相邻”矢量类的差是一样的。因此我们没有任何差距。

我认为可能这类工作，但我不知道我是否能送入一个功能