收藏本站 劰载中...网站公告 | 吾爱海洋论坛交流QQ群:835383472

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]
& } h/ K3 V0 Y' j: e6 v, ^
( x# s. U0 W6 v2 Y/ O0 d
( r; I4 f. h b
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
& q: r, U1 d, x8 o
% `! {; Y9 m3 Q: F- x$ L) _
}9 j4 E* V5 h' p( B
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
; Z7 s* }' ?) `0 G
3 F+ X% h0 E" [
@1 o+ }" S/ `+ R: S' o " U; i4 [" O* }8 C; Y0 }2 j ; j1 v6 Z4 V X$ V 8 W# {" t9 y. y4 C; Q* T9 Q6 w9 k4 c1 j( a& |1 c9 e
回复

举报 使用道具

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2026-3-29
快速回复 返回顶部 返回列表