1700532564
百面机器学习：算法工程师带你去面试 02 类别型特征
1700532565
1700532566
1700532567
1700532568
场景描述
1700532569
1700532570
类别型特征（Categorical Feature）主要是指性别（男、女）、血型（A、B、AB、O）等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式，除了决策树等少数模型能直接处理字符串形式的输入，对于逻辑回归、支持向量机等模型来说，类别型特征必须经过处理转换成数值型特征才能正确工作。
1700532571
1700532572
知识点
1700532573
1700532574
序号编码（Ordinal Encoding）、独热编码（One-hot Encoding）、二进制编码（Binary Encoding）
1700532575
1700532576
问题 在对数据进行预处理时，应该怎样处理类别型特征？
1700532577
1700532578
难度：★★☆☆☆
1700532579
1700532580
分析与解答
1700532581
1700532582
■ 序号编码
1700532583
1700532584
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。
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
[
上一页 ]
[ :1.700532563e+09 ]
[
下一页 ]