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？

) E6 W- T: R6 J0 {( t9 |7 {/ L" L

7 b+ ` n5 \! U. f5 s. O* e/ p w

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

- Z, A7 N% f9 U

( g' d4 D! x9 [- }/ w

Question1|为什么需要对数值类型的特征做归一化？

" W& p2 P0 L% F6 c) g

Question：在对数据进行预处理时，应该怎样处理类别型特征？

5 s. a& J" Z' U% r3 U" b7 s

■ 序号编码

1 [8 f1 f* \' l* u0 }, \2 E

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

6 I S$ P9 v3 g, ]2 x0 K

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。

1 [3 B( Z* v; I

■ 独热编码

" |7 Z4 c, }: p" R' g# r; D6 f- l; R

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）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。

（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。

■ 二进制编码

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。

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。

参考：《百面机器学习 》1.1 ) ?! H) L% a; C

! A! J5 d+ J6 F1 u8 P

% z! Z8 C. L" B% ~! F

) a( |. K2 F B% i 2 P5 e/ \2 k; o f/ R6 a/ s6 o' h2 g. \ 7 W. d1 ]( Y6 x, F: i