( l7 ~ i7 i' F/ x Question1|为什么需要对数值类型的特征做归一化？
' `3 P4 E Z3 i9 c; g" j' ]8 D9 g4 D+ }/ Z2 M9 T X2 C8 F- ~9 h
Question：在对数据进行预处理时，应该怎样处理类别型特征？
3 S2 z. n# T0 l8 J: @; C ■ 序号编码
6 e3 H# T& R7 n5 x. Q# L, D% |+ O
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
( V4 L) T2 y5 G! l. s4 S 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。
6 J9 A! L. o$ k- d
■ 独热编码
( m& T9 I" x- d0 ^/ k' ^
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。
1 O+ Y! d% U4 Z4 n
（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。
* Y9 `) Q* }# K: P. ~, N （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。
$ j- y4 I( P. T* {' z! j3 k ■ 二进制编码
3 w+ ~( p9 [4 Y7 l# e8 m% g/ A' F 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。
. t( B% Z7 Y+ Y2 P. g% b3 q0 E 
; p9 u: Z- Q' ? 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。
! ~5 K0 D5 t6 d; T: ` 参考：《百面机器学习
9 l) H( r$ N0 w/ @' W5 S 》1.1
3 ?5 }$ T$ i# V2 [$ W
# D: J) ^3 B9 ]% z7 {# D' h9 d 
