1 _1 \: ~4 b5 ]3 U2 F( H
Question1|为什么需要对数值类型的特征做归一化？
! X( z a- u, |2 g. f* c1 j( u! u6 }) M. _% `! M
Question：在对数据进行预处理时，应该怎样处理类别型特征？
" n1 ?5 @; D7 h0 |6 ]2 T
■ 序号编码
1 z" h5 q" p& X. F" F# E
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
q3 ^1 Z. N6 ?6 b) |2 f 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。
5 O5 ~( W+ ` n6 {/ y% ^( W ■ 独热编码
& M7 F" ^( V9 ^ 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。
* u9 y% D" ]% a) P( ` g4 E( s
（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。
2 k/ r1 O2 h. A% _' q D$ o
（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。
& ]4 h+ }: E' b" h: k) D# [6 T4 r ■ 二进制编码
: b9 n. N. h* A4 P! }* s' h0 G 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。
4 s+ H$ t( L. e. F- A 
+ m+ e b: F9 q4 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。
9 T7 p2 D+ }" M6 P2 Q# h; C 参考：《百面机器学习
/ V- }- N) t; \/ f0 a: T) t
》1.1
4 r X! q9 u. K( V
) u2 j( e+ {- E* M8 L" f9 I4 C
