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]
* A' W$ [. ]5 \, j1 W W5 w
' h2 O" r$ T& l) }) x" Z" `: l
; B0 I {" o0 Z, T0 {
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
0 j3 m( D/ S" f5 g. R
8 @" u% e, q3 _- J0 v7 p8 T( I8 D0 N
- L# p9 X0 ]9 ^5 A
( l7 ~ i7 i' F/ x

Question1|为什么需要对数值类型的特征做归一化?

' `3 P4 E Z3 i9 c; g" j' ]8 D9 g4 D+ }/ Z2 M9 T X2 C8 F- ~9 h

Question:在对数据进行预处理时,应该怎样处理类别型特征?

3 S2 z. n# T0 l8 J: @; C

■ 序号编码

6 e3 H# T& R7 n5 x. Q# L, D% |+ O

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

( V4 L) T2 y5 G! l. s4 S

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。

6 J9 A! L. o$ k- d

■ 独热编码

( m& T9 I" x- d0 ^/ k' ^

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。

1 O+ Y! d% U4 Z4 n

(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。

* Y9 `) Q* }# K: P. ~, N

(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。

$ j- y4 I( P. T* {' z! j3 k

■ 二进制编码

3 w+ ~( p9 [4 Y7 l# e8 m% g/ A' F

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。

. t( B% Z7 Y+ Y2 P. g% b3 q0 E

; p9 u: Z- Q' ?

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。

! ~5 K0 D5 t6 d; T: ` 参考:《百面机器学习 9 l) H( r$ N0 w/ @' W5 S 1.1 3 ?5 }$ T$ i# V2 [$ W # D: J) ^3 B9 ]% z7 {# D' h9 d
2 ]0 K1 ^2 x3 P& ~ U2 c
4 u# }9 l- _1 z9 @4 @# {! D& K
3 \$ `! Z! F: \: k* V9 r 0 z2 V5 ?* G1 s* q' S% F# d9 H; P$ i" u2 L5 `4 _ 7 \$ p0 D- [. ^5 \- x* o; y( @& ~$ y% @
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3 小时前
快速回复 返回顶部 返回列表