5 J2 K% n: w4 R# l Question1|为什么需要对数值类型的特征做归一化？
* E; r5 b7 `+ ~9 q
. Y: Y, P, y4 s Question：在对数据进行预处理时，应该怎样处理类别型特征？
+ B" b) u8 W% H! C' I9 W/ l8 @$ y
■ 序号编码
6 a" |8 F& _7 @& \! x: E/ m+ p 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
; i. v0 Z" ~" i7 P& P 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。
* B$ Q$ l9 G8 `* G, J3 C
■ 独热编码
8 i; f1 e! D% N. [
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。
( C" x5 k0 ~6 {/ } x# r, f5 w
（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。
5 H( G. H2 T# c2 D6 Z, z8 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。
% L" m/ l/ P! R5 R, V ■ 二进制编码
$ P0 a5 q: f0 u3 p; a 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。
$ n- C& m* O- j: Q 
; J% H, J* Q/ h% @. E 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。
9 _% I4 F1 M0 u/ x" y 参考：《百面机器学习
2 b9 @3 e. P& Z0 ~+ p; }8 L
》1.1
$ Q$ O2 \1 K3 l' y5 X
* W6 P) M' ?* K- F& y6 g
