机器学习100问|在对数据进行预处理时,应该怎样处理类别型特征?

[复制链接]
! d0 \$ ^, E* _- J
1 N. _/ A" f c5 H
! }# [+ n2 H) f$ Z, l
Question1|为什么需要对数值类型的特征做归一化? Question:在对数据进行预处理时,应
g( \5 H9 i5 U( U# s+ f6 @
, R. a' t/ c# T* |, @
. P% f# M; E$ U4 L9 P
" q D+ A, u3 B1 s6 u0 Z/ l3 ]

Question1|为什么需要对数值类型的特征做归一化?

2 y) a$ z! ]6 v& J$ B8 Z ! ]0 l: r/ |) x' q. {; x

Question:在对数据进行预处理时,应该怎样处理类别型特征?

; K8 M' s }! d: ]

■ 序号编码

- U- r* ~, P. w8 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

+ d, r% r( i4 [2 C: o8 b4 B

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。

# L" V- S# y/ g' ^& a

■ 独热编码

u! m5 x; ?1 m& @' [$ {3 e$ L

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 ]! b m- _3 g, N" ^' j& o

(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。

+ N5 L1 I& h t# c/ B, u

(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。

% {' s0 U1 }" b4 f

■ 二进制编码

8 S3 h6 |) e$ v, D' |

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。

* n4 |9 ^8 I- t$ N2 f" T- v, R

! D8 D e' F: f- S0 u

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。

3 }1 U0 |/ S' B( }" @" ~* B 参考:《百面机器学习 ' ~2 u" t8 l, H3 d8 v 1.1 . W" y4 P! e3 I" m5 z$ ?0 R$ W0 \) U5 r % f+ `3 i) B l* S
( _4 z) f& R9 ] W
& s; O/ R: Q5 y% G
! S1 i! N+ d& o( A5 p0 j" ~ / t7 G% { E4 w y$ O % p' g6 Z6 _. j; l3 ~ $ m' n. b% e6 W; H6 S5 H- l6 n6 H: D' w8 c

相关帖子

全部回帖
暂无回帖,快来参与回复吧
懒得打字?点击右侧快捷回复 【吾爱海洋论坛发文有奖】
您需要登录后才可以回帖 登录 | 立即注册
天阶雨
活跃在2025-1-25
快速回复 返回顶部 返回列表