* ` W4 r* e z( O/ y" F: R
Question1|为什么需要对数值类型的特征做归一化?
2 J* Z0 [" M& R- A6 G
5 P1 V/ U/ Y$ X M6 [' c Question:在对数据进行预处理时,应该怎样处理类别型特征?
' Z, p. N0 C# c X4 G% {! @ ■ 序号编码
. _; b2 [7 U+ l$ |( I3 h1 P 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
% o/ Q5 H4 S5 p8 B) l
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 p* A0 Y' t# A3 n6 t4 @5 t ■ 独热编码
& l" Y1 g6 H% X9 k" J
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。
& ?( M( i' _. X9 v1 e
(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。
. V1 f0 J2 a% R O- a) l# ~: n8 i; { (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。
" z3 F& c, c6 S& F$ L% i ■ 二进制编码
, A: r4 {; m1 `* m g1 {5 f/ j ^5 B
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 x: H3 f' C5 i
3 V) z7 |$ _+ @9 r9 R# [* p8 w
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。
) _' U5 a& h6 U1 Y2 g
参考:《百面机器学习
5 {! x# q: {0 A# E 》1.1
5 V* a4 T/ K7 E) p4 K
$ ^: y! R- a' x+ R9 m7 l