离散类别特征
单值有序:
labelencoder
假设特征有m个取值,按照大小,映射0-m-1.
单值无序:
one-hot
优点:
独热编码解决了分类器不好处理属性数据的问题,在一定程度上也起到了扩充特征的作用。它的值只有0和1,不同的类型存储在垂直的空间。
编码后的向量是稀疏向量,只有一位是 1,其他都是 0,可以利用向量的稀疏来节省存储空间
能够处理缺失值。当所有位都是 0,表示发生了缺失。此时可以采用处理缺失值提到的高维映射方法,用第 N+1 位来表示缺失值。
缺点:
1、当类别的数量很多时,特征空间会变得非常大。
2、对于特定任务,例如词向量化,直接使用onehot的方式是无法考虑到词之间的交互关系的,onehot之后损失了部分信息。推而广之,如果特征之间是非独立的(比如上下文的词之间是存在交互关系,时间序列数据之间存在某些内在关系),就不能简单的使用onehot功能
3.KNN 算法中,高维空间下两点之间的距离很难得到有效的衡量;
4.逻辑回归模型中,参数的数量会随着维度的增高而增加,导致模型复杂,出现过拟合问题
5.通常只有部分维度是对分类、预测有帮助,需要借助特征选择来降低维度
决策树不推荐one-hot原因:
产生样本切分不平衡,切分增益会非常小。
影响决策树