机器学习之混合类型数据的使用

在机器学习中，经常会碰到不同类型的数据(numeric, categorical, Continuous and Text data)混合使用的情况，而机器学习算法一般只接受数值型的数据。比如说，虽然神经网络很强大，但是也没办法直接处理类别型的变量，需要经过如one-hot编码的预处理之后才能放进网络去训练。因此，必须对这些数据进行预处理。但是，不同的处理方式，可能对模型的效果产生重要的影响。

Understanding Categorical Data

类别型数据，主要有两种：Nominal(名称)、Ordinal(顺序)

名称型类别数据，在该属性的值之间没有排序的概念，如天气、城市等。

顺序分类特征，它的值的大小是有一定意义的(如衬衫尺寸、鞋子大小、学历高低等)

Feature Engineering on Categorical Data

通常，特征工程中的标准工作流都涉及到将这些类别值经某种形式的转换，转化为数字标签的形式，然后在这些值上应用一些编码方案。

Transforming Nominal Attributes

数据来源：kaggle videogames

游戏类别字段Genre和Publisher、Platform都是名称属性。

查看游戏类别有多少类

genres = np.unique(vg_df['Genre'])
genres
Output
------
array(['Action', 'Adventure', 'Fighting', 'Misc', 'Platform',  
       'Puzzle', 'Racing', 'Role-Playing', 'Shooter', 'Simula