: H# z. X k) O- Y' D Question1|为什么需要对数值类型的特征做归一化？
8 }& d( k$ X+ d
! f- u" K, U3 `. w& j Question：在对数据进行预处理时，应该怎样处理类别型特征？
" e/ a8 n" E7 k5 X o) x ■ 序号编码
: q; i1 b1 |% |2 S 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
4 \$ F) j8 y* q! S2 y' Y
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。
+ M9 @2 o* L" d& N& X+ d7 l* k ■ 独热编码
9 O6 ?/ D! g% Q
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。
8 q: Z" o8 }! P+ W+ O' R
（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。
0 S2 G2 h) b( K$ o T7 ^; L" f& }; V( a0 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 {: i/ Y5 E. K$ M# K9 _5 _
■ 二进制编码
" ?% _% G+ s4 _
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。
' D. i# R9 l7 V# [5 ` 
. r2 [# O% L$ ]# P5 }
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。
( P3 l1 ^# r" w 参考：《百面机器学习
$ M1 q- [ l1 q' i0 l
》1.1
. z3 v0 {& s" _- U E! ?0 N , E0 ^: ?* s; L) V7 n2 v: ?
