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？

& j9 L* ?1 I" u5 }# r

* k4 l6 y& G& h

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

- s8 f; [2 H( i9 J) C# j# M

; N* B" E' r/ g3 F6 p

Question1|为什么需要对数值类型的特征做归一化？

% K' Q8 P, p" d7 l; ]

Question：在对数据进行预处理时，应该怎样处理类别型特征？

5 [6 Q& y; y7 J: P @: A

■ 序号编码

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

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。

. y. q+ b9 y# z9 {

■ 独热编码

: R: n/ \+ e# w7 Q- h* B) _

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）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）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。

, x6 L% R9 E( Q1 j! D

■ 二进制编码

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。

* A, l) ]& V! z/ H( h

5 o6 ^1 c( Q/ B% Y+ e' U& U

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。

. A1 I0 i3 C3 w5 n4 j 参考：《百面机器学习 ( e; }- u5 t4 I# v" F3 u% S 》1.1

' e4 l2 i/ e$ ^; | / K* `3 `& [( I( J% _* i , {: N+ T/ M+ I" _" C$ I! g