8 x2 r2 u/ G7 W4 `" v) E
Question1|为什么需要对数值类型的特征做归一化？
% Q% X, v1 u: g: c+ Y4 V' b% {
0 U0 C7 n1 c5 M/ P( S; ]: T0 x Question：在对数据进行预处理时，应该怎样处理类别型特征？
/ Y" ~3 R/ }& {% t. h- R4 j
■ 序号编码
: A8 B' z: B4 ?0 H# D+ `3 J
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 P1 t; G5 r# A6 u6 A, n 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。
! x) y) v7 @9 @- {7 @
■ 独热编码
+ _' F* i; r) Q$ 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。
' F+ w& i! k+ A/ ` O9 S( K: h% ] （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。
; x; F9 M+ R& J1 M& b
（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。
( Z) B% f1 I* a) n
■ 二进制编码
% z% S2 C. c1 j' ?$ X0 h* w
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。
1 I) }; [, F2 {6 M
- p) \! G) p7 o; u; n: {: Y4 G 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。
" a. y; e ~" j# y6 C y, ] 参考：《百面机器学习
8 s. c/ W$ k1 a7 P' ^; j
》1.1
* h, _8 \, U9 s
8 P8 M1 R7 r# Z# j u7 y' M" V8 I
