機械学習（ランダムフォレスト）で分類問題を行う場合の、質的変数（カテゴリーデータ）の考え方について苦慮しております！

Question

機械学習（ランダムフォレスト）で分類を行う場合の、カテゴリーデータの考え方について苦慮しております！

ある分類問題を、機械学習を行う時に、説明変数に天気を用いるとします。

この時に、天気（晴、曇、小雨、雨、雪）を、以下のように、カテゴリー変数に置換します。これを設定Aとします。

	天気
晴	１
曇	２
小雨	３
雨	４
雪	５

そして、説明変数のサンプルを a：晴、b：曇、c：小雨、d：雨、e：雪 と設定した場合は、以下のようになると思います。

	天気
a	１
b	２
c	３
d	４
e	５

ここで、もうひとつ、上記とは異なった方法で、下記のように、カテゴリー変数に置換してみます。
これを設定Bとします。

||晴|曇|小雨|雨|雪|
|:--|:--:|--:|
a|１|0|0|0|0|
b|0|1|0|0|0|
c|0|0|1|0|0|
d|0|0|0|1|0|
e|0|0|0|0|1|

天気のような、扱いにくい質的変数はダミー変数化することで扱い易くしようと思いましたが、設定A と 設定B では
どちらが、望ましいのでしょうか。

ウイリアムのいたずら様のリンク

上記の先人様のリンク先を拝見しますと、

Q:カテゴリデータを単純に数値にしては？

だめ。順序尺度と解釈される可能性がある

とうたっておられます。

順序尺度と解釈されないようにするには、どうしたら良いのでしょうか？

また、次元の呪いの考え方ですが、
、

※次元の呪い(Curse of dimensionality):
特徴量（説明変数）の数が増えると汎化性能を向上させることが難しくなる ということを

設定Bは、特徴量が増えているというように理解しても良いのでしょうか？

今回は、天気という５種類の分類ですが、例えば、これがもっと多い場合、例えば、地名で１０００箇所ということを考えた場合、

１～１００００ までを 設定Aの手法で、カテゴリー変数化しても大丈夫でしょうか？

system trading様のブログ

上記の先人様のブログも拝見させて頂きました。

先輩方の御教示、よろしくお願いいたします。

Answer 1

データによります。また、説明変数の種類にもよります。

基本的に回帰分析等で相関を調べたりして、良さそうな物を説明変数に用います。また、それを数値化する方法も色々あり、単純な出現回数によるベクトル化、出現回数を正規化した物、BoWによるベクトル変換等、どれが良いかはデータにもよるので一概にこれとは言えません。全部試して1番精度が良いものを採用するのが良いです。