+ }2 M9 u& R2 p8 p/ H0 ~) D9 s
Question1|为什么需要对数值类型的特征做归一化？
( o9 B, }+ ?/ e$ x4 o+ h% K' Q! A. W2 D6 E# @" \# q
Question：在对数据进行预处理时，应该怎样处理类别型特征？
/ Y+ ]: X* p/ n, ^" p$ G ■ 序号编码
2 [; e6 O9 V& V# t& \
序号编码通常用于处理类别间具有大小关系的数据。例如成绩，可以分为
# X% P- _+ o1 {( P& V. w! h5 d- B6 m 低、中、高三档，并且存在“高>中>低”的排序关系。序号编码会按照大小关系对类别型特征赋予一个数值ID，例如高表示为3、中表示为2、低表示为1，转换后依然保留了大小关系。
' p- W% h0 P4 O7 t/ y ■ 独热编码
! ]# h' n5 j7 D* V9 d 独热编码通常用于处理类别间不具有大小关系的特征。例如血型，一共有4个取值（A型血、B型血、AB型血、O型血），独热编码会把血型变成一个4维稀疏向量，A型血表示为（1, 0, 0, 0），B型血表示为（0, 1, 0, 0），AB型表示为（0, 0,1, 0），O型血表示为（0, 0, 0, 1）。对于类别取值较多的情况下使用独热编码需要注意以下问题。
; A$ D( H' Z9 n* X& S& b; M
（1）使用稀疏向量来节省空间。在独热编码下，特征向量只有某一维取值为1，其他位置取值均为0。因此可以利用向量的稀疏表示有效地节省空间，并且目前大部分的算法均接受稀疏向量形式的输入。
, m1 @* j$ N) n$ Z- h. A8 u8 g （2）配合特征选择来降低维度。高维度特征会带来几方面的问题。一是在K近邻算法中，高维空间下两点之间的距离很难得到有效的衡量；二是在逻辑回归模型中，参数的数量会随着维度的增高而增加，容易引起过拟合问题；三是通常只有部分维度是对分类、预测有帮助，因此可以考虑配合特征选择来降低维度。
( C5 ?' x/ C8 y, k
■ 二进制编码
+ D; X* K/ l* F/ ^- ~, I+ N 二进制编码主要分为两步，先用序号编码给每个类别赋予一个类别ID，然后将类别ID对应的二进制编码作为结果。以A、B、AB、O血型为例，表1.1是二进制编码的过程。A型血的ID为1，二进制表示为001；B型血的ID为2，二进制表示为010；以此类推可以得到AB型血和O型血的二进制表示。可以看出，二进制编码本质上是利用二进制对ID进行哈希映射，最终得到0/1特征向量，且维数少于独热编码，节省了存储空间。
7 E+ i% z1 T! H. X, M/ X; {) {5 }3 b% J 
" O! M5 y x( D1 {; _6 l' z
除了本章介绍的编码方法外，有兴趣的读者还可以进一步了解其他的编码方式，比如Helmert Contrast、Sum Contrast、Polynomial Contrast、BackwardDifference Contrast等。
2 u' N8 y9 W9 W, X 参考：《百面机器学习
0 `3 q2 _, \# O3 Z, k4 f; |; f& h 》1.1
7 C# H, b, H2 k" R6 t" Y
9 d4 ~2 p& Y" ] J5 l) R
