1700532585
1700532586
■ 独热编码
1700532587
1700532588
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。
1700532589
1700532590
（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。
1700532591
1700532592
（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。
1700532593
1700532594
■ 二进制编码
1700532595
1700532596
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。
1700532597
1700532598
表1.1 二进制编码和独热编码
1700532599
1700532600
血型
1700532601
1700532602
类别ID
1700532603
1700532604
二进制表示
1700532605
1700532606
独热编码
1700532607
1700532608
A
1700532609
1700532610
B
1700532611
1700532612
AB
1700532613
1700532614
O
1700532615
1700532616
1
1700532617
1700532618
2
1700532619
1700532620
3
1700532621
1700532622
4
1700532623
1700532624
0
1700532625
1700532626
0
1700532627
1700532628
0
1700532629
1700532630
1
1700532631
1700532632
0
1700532633
1700532634
1
[
上一页 ]
[ :1.700532585e+09 ]
[
下一页 ]