百面机器学习第一章——特征工程（基本是百面机器学习书的内容）
02、类别型特征
——————————————————————————————————————————
场景描述
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。
在深度学习模型中，类别型特征也经常出现，需要我们将类别型特征转换为数值型特征，再放进特征工程中。
——————————————————————————————————————————
知识点——序号编码（Ordinal Encoding）、独热编码（One-hot Encoding）、二进制编码 （Binary Encoding）
问题：在对数据进行预处理时，应该怎样处理类别型特征？
——————————————————————————————————————————
分析与解答
——————————————————————————————————————————
- 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。
- 独热编码
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。
向量的稀疏表示方法：稀疏向量和密集向量都是向量的表示方法。
稀疏向量和密集向量的区别：密集向量的值就是一个普通的double数组，而稀疏向量由两个并列的数组indices和values组成。
例如，向量（1,0,1,3），用密集格式表示为[1,0,1,3]，用稀疏格式表示为（4,[0,2,3],[1,1,3]），第一个4表示向量的长度（元素个数），[0,2,3]就是indices数组，指向量中非零的数的位置，[1,1,3]是对应的非零数的值。
（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。
特征选择是机器学习中降维技术的一种，另外的降维技术有特征提取。通过特征选择，可以选出原始特征的一个子集。在特征提取中，通过对现有的特征信息进行推演，构造出一个新的特征子空间。特征选择和特征提取的不同在于，特征选择得到的特征子集还是原来的特征，特征提取得到的特征不是原来的特征。
- 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。
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、Backward Difference Contrast等。
百面机器学习第一章——特征工程（基本是百面机器学习书的内容）相关推荐
- 百面机器学习——第一章特征工程
特征工程:是对原始数据进行一系列工程处理,将其提炼为特征,作为输入供算法和模型使用.从本质上来讲,特征工程是一个表示和展现数据的过程.在实际工作中,特征工程旨在去除原始数据中的杂质和冗余,设计更高效的 ...
- 机器学习实战之特征工程
机器学习实战与特征工程 1.机器学习概述 1.1 什么是机器学习 1.2 为什么要机器学习 1.3 机器学习应用场景 1.4 学习框架和资料的介绍 2.特征工程 2.1 特征工程介绍 2.1.1 数据 ...
- 模式识别与机器学习·第一章——概论
模式识别与机器学习·第一章--概论 开篇 模式识别 模式 识别 机器学习 研究目的 发展历史 模式识别简史 机器学习简史 系统方法 系统目标 假说的获得 系统的构成 小结 开篇 这系列博客主要用来回忆 ...
- 机器学习中的特征工程总结！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 译者:张峰 ,Datawhale成员 结构总览 特征工程 传统编程的关注 ...
- 【机器学习基础】机器学习中的特征工程总结！
译者:张峰 ,Datawhale成员 结构总览 特征工程 传统编程的关注点是代码.在机器学习项目中,关注点变成了特征表示.也就是说,开发者通过添加和改善特征来调整模型."Garbage in ...
- 机器学习如何计算特征的重要性_干货 ：机器学习中的特征工程总结
结构总览 特征工程 传统编程的关注点是代码.在机器学习项目中,关注点变成了特征表示.也就是说,开发者通过添加和改善特征来调整模型."Garbage in, garbage out" ...
- python 机器学习第一章
机器学习是一门能够发掘数据价值的算法和应用,是计算机科学中最激动人心的一个领域之一. 接下来的时间,开始学习吧! python机器学习第一章 1.机器学习方法分为三类:监督学习,无监督学习,强化学习. ...
- 机器学习中的特征工程——分类变量的处理
出品 | CDA数据分析研究院,转载需授权 文章目录 分类变量 概念 判断 类型 少类别分类变量处理方法 独热编码(One-hot encoding) 虚拟编码(Dummy coding) 效应编码( ...
- 机器学习中的特征工程
机器学习中的特征工程 什么是特征工程 数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已.特征工程指的是把原始数据转变为模型的训练数据的过程,它的目的就是获取更好的训练数据特征,使得机器 ...
最新文章
- docker 数据卷 mysql_Docker容器数据卷原理及使用方法解析
- git中的fork应该这样使用
- git如何忽略已经提交的文件 (.gitignore文件无效)
- 集群、分布式、负载均衡区别
- Oracle 基础系列之1.1 oracle的安装
- asp.net权限设置可能导致应用程序无法正常运行(转)
- 学习笔记(23):Python网络编程并发编程-开启线程的两种方式
- 再见安卓 鸿蒙,安卓系统：鸿蒙系统，正式再见
- OSChina 周日乱弹 —— 我叫张一条
- wdnas群晖nas_西数WD NAS红盘 WD140EFFX 14TB HDD和 SA500 1TB SSD开箱拆解评测
- 信息学奥赛一本通 1078：求分数序列和 | OpenJudge NOI 1.5 32
- 【matlab安装】手把手图文并茂安装matlab2021（win10版）
- 车载安卓屏刷鸿蒙,车载安卓大屏相比于原车导航种种优势
- Javascript之把网页加入收藏夹功能
- 复现贪吃蛇程序——玩家控制小蛇的移动(第三部分)
- C 里 求 log2 N 的问题
- 【高数】交换二次积分次序时，为什么要观察上下限大小关系？
- 运动世界校园破解刷跑步数据
- leetcode: 每个元音包含偶数次的最长字符串（前缀和 + 状态压缩（位运算、hash优化））*
- 如何理解beta分布？