: f' O1 n6 s( c, X, n9 e- m# v Question1|为什么需要对数值类型的特征做归一化？
1 a2 r& Q& u8 Q L, q
: B2 p1 e3 i) \$ P5 }9 @7 J: t3 |
Question：在对数据进行预处理时，应该怎样处理类别型特征？
- q% e, m( w* T
■ 序号编码
- ~. f7 P A/ Y" \ 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
3 w# M- A, k. T" n( v% T, y
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。
- D% r3 U) Z8 h1 @ x1 s4 W
■ 独热编码
+ I4 k0 {5 K' ~ e8 ~3 Q8 u S
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。
+ T% _6 A6 J) e; w （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。
' {& i$ {! s: H9 [6 t8 H# [( k
（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。
6 W* v: F+ ~; j
■ 二进制编码
. d2 B5 p4 i8 h7 T0 H1 j
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。
* b- O! h- R' I! V, s
; {3 Q4 q% V2 e
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。
& V4 Q2 \% ?1 P! q) L+ j5 W
参考：《百面机器学习
8 S. K: l( p+ f( _: y$ M 》1.1
* R" g3 X/ {! J( _
* c* V e0 n9 b
