8 X+ R; x; C' K0 r# C0 Y) O Question1|为什么需要对数值类型的特征做归一化?
2 f" q3 H/ m: P5 f
* a/ |7 O/ `9 L/ I# K Question:在对数据进行预处理时,应该怎样处理类别型特征?
7 V, \. _( V3 J2 B, w' B# Y; N( k+ t
■ 序号编码
5 y& j* o- K* G2 s
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
" d. V. ^7 ~2 Z2 T; s/ o% Y) v% h
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。
& v# i2 M4 a, ?0 d7 c3 s( a
■ 独热编码
! L7 ^9 Q( S/ i# J& ^, P
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。
2 s* Z" D+ o1 C5 L2 l (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。
8 O u7 I5 M( _5 T
(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。
- Y, f% q- _0 R" G* c* a" c' M+ P ■ 二进制编码
7 E2 F; a& n' x) ~+ ^& s 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。
8 q2 a% x1 k, f+ Z' b 
{/ }4 s" |, z* c 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。
, E! z7 l7 e' D) u. `7 w 参考:《百面机器学习
! F" n4 h+ J0 T
》1.1
+ P' d! F% A9 m) ?* j7 Q+ d
: i6 i/ u0 A/ b1 j( T+ Y, x