) |) H. C9 E% h2 I Question1|为什么需要对数值类型的特征做归一化？
' Z0 r J7 t! a) o
+ u y9 e3 Z: l8 q9 K7 t' l, g( j Question：在对数据进行预处理时，应该怎样处理类别型特征？
^/ w9 \. v9 }# h3 Y
■ 序号编码
% W# B; A% z' n 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
- C- y9 B! d8 G# F
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。
# s' E% D+ Z" ~/ J# l/ a ■ 独热编码
+ Q' w0 P/ w" R. P 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。
" _" b4 F1 h5 C- r8 M% S8 H; Y8 S5 l2 Z （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。
) m& k. T b c+ V
（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。
3 J4 O' P% C, y% E; c3 O ■ 二进制编码
_! w5 U. k" \" U
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。
; f. ~" o8 W2 U3 |5 F
. R' d; j- E2 {+ j9 K
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。
/ U% t" g: x/ f( M- u& i3 G 参考：《百面机器学习
) j7 c& X) K' J# _0 e5 Y
》1.1
9 [! n# C; l# O
: P+ i5 d5 @. J+ N5 `- _ t& r
