特征编码【bella】

       最近在做客流预测，期间遇到文字型特征编码的问题，对于该问题总结了一些自己的经验，以供参考。

       文字型特征十分常见，以我做的博物馆客流预测为例,如“天气”，“风”等特征都是文字描述，并不能直接用于预测，所以要将这些文字编码为数值。

       这种类型的编码常见有两种，分别是数值型编码和向量型编码。

       数值型编码就是根据特征种类的不同赋予不同的数字，如“天气”特征有“晴天”、“阴天”、“雨天”等多种类型，可以将这些与数值0、1、2等进行映射。

        向量型编码也是根据特征种类的不同进行划分，不过不同的种类映射时对应不同的维度，依旧以“天气”为例，可以将“天气”特征映射到3个维度，这3个维度为是否是“晴天”、“阴天”、“雨天”，是赋值1，否则赋值0，那么“晴天”就可以映射为（1，0，0），以此类推。

       上述两种方法都有其缺陷。

       数值型编码的缺陷是过于简单粗暴，编码会损失一部分信息，这会导致预测效果变差。

       向量型编码会在特征种类过多时出现问题，因为种类过多，编码后的向量的维度也会过大，这将导致数据的维度被稀释，造成“维度灾难”，这同样也会使预测效果变差。

       综上所述，选择何种方法要事先观察文字型特征，了解文字型特征的信息。

       如种类比较少时，向量编码更合适，种类多时，选择树枝编码。或者可以将二者结合在一起，如“风”特征包括“风向”（东南风、东北风等4种）和“风速”（1级、2级、3级、4级）两种信息，特征的格式为“XX风 X级”，该特征的种类多达16种，那么我们可以对“风向”和“风速”分别进行映射，“风向”和“风速”各对应一个维度（每个维度有0、1、2、3四个数值），将该文字型特征编码为一个二维向量。

最后，关注b站  贝拉bella  咕噜咕噜