' d2 Z1 f6 B" l4 i Question1|为什么需要对数值类型的特征做归一化？
6 u7 h3 r' m3 a# Z
; R% Q" e& f5 m2 Q$ ]. a8 |% Y Question：在对数据进行预处理时，应该怎样处理类别型特征？
; _& i5 ~' ]3 Q, O: f
■ 序号编码
2 o2 @6 ~# K5 ?9 n* B* h
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
' \" Q: R" |( c$ m5 e3 w 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。
8 Q' }& S" n& ]2 G; c6 } ■ 独热编码
: U2 g3 e U: q1 Q
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。
Q5 R ~3 V I% D8 p3 j （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。
. r; l7 @ ~- c3 }; v% | `
（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% x e1 V. `" Y' f A" M5 `2 t, n0 h2 } ■ 二进制编码
. ~( i |$ q ?: x3 o6 l0 e8 T) p9 c 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。
* U% s& c! U) {" z9 I- z" @ 
/ u; {( D2 R' B
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。
+ S( `1 X/ i$ U! V- B% r f 参考：《百面机器学习
: _, n5 W1 O3 S h+ P$ {, q 》1.1
1 K5 p! z* g! [- G- |5 R {* @. G2 h" _7 o: w& Z& u2 u+ z
