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。
在对数据进行预处理时,应该怎么样处理类别型特征?
难度:★☆☆☆☆
① 序号编码 Ordinal Encoding
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。
② 独热编码 One-hot Encoding
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 B AB O),独热编码会把血型变成一个4维稀疏向量:
- A型血表示为