因为 sklearn 使用 CART 算法，所以它不能按原样接受分类数据（正如您所指出的）。有一张现有的票可以改变这一点。

这个问题真的应该改写为支持决策树上的分类分裂 - 而不是随机森林，因为随机森林只是使用这些决策树作为拟合器的集成方法。

我不知道支持此功能的 python 包，但我确实怀疑它有助于提高性能，因为它可以避免在热编码数据上使用随机森林的常见陷阱；请参阅One-Hot Encoding 使您的基于树的集成变得更糟，这就是为什么？

同时 -当我知道我需要使用 Random Forrest 时，我会使用TargetEncoder 。它允许以“智能”方式对分类数据进行编码，而无需使用 one-hot 编码。

Catboost 和LightGBM可以处理分类特征。它们基于决策树（随机森林也基于决策树），因此您可以使用它们（它们通常比随机森林更好），但与随机森林相比，它们使用更多的计算能力，但您仍然可以调整它们（使用 Catboost 非常容易，LightGBM 需要一些练习），并且仍然可以从它们的编码功能中受益，并且您将拥有不那么复杂的管道。