类别型变量-处理方式

处理类别型变量时能够有效工作，常见的方法包括：

1. One-Hot编码

优点：简单直接，把类别型变量转换为数值型变量，每个类别转换为一个独立的二进制特征。
缺点：对于高基数（high cardinality）的类别型变量，One-Hot编码会显著增加特征维度，可能导致数据稀疏性问题。

2. 频率编码（Frequency Encoding）

方法：将类别型变量转换为其在数据集中出现的频率。适用于类别数量较多但频率分布有意义的情况。
优点：保留了类别频率的信息，维度不会增加。
缺点：可能会引入某些偏差，特别是在类别分布不均匀时。

3. 目标编码（Target Encoding）

方法：将类别型变量转换为与目标变量相关的统计量（如均值、概率等）。通常用于有监督学习，但在某些情况下也可用于无监督学习。
优点：利用目标变量的信息，可以提高模型性能。
缺点：容易引入过拟合，需要谨慎处理。