百面机器学习第一章——特征工程（基本是百面机器学习书的内容）

02、类别型特征

——————————————————————————————————————————
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。

在深度学习模型中，类别型特征也经常出现，需要我们将类别型特征转换为数值型特征，再放进特征工程中。
——————————————————————————————————————————
知识点——序号编码（Ordinal Encoding）、独热编码（One-hot Encoding）、二进制编码 （Binary Encoding）

问题：在对数据进行预处理时，应该怎样处理类别型特征？
——————————————————————————————————————————
分析与解答
——————————————————————————————————————————
- 序号编码

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。

- 独热编码

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型血、B型血、AB型血、O型血），独热编码会把血型变成一个4维稀疏向量，A型血表示为（1, 0, 0, 0），B型血表示为（0, 1, 0, 0），AB型表示为（0, 0, 1, 0），O型血表示为（0, 0, 0, 1）。对于类别取值较多的情况下使用独热编码需要注意以下问题。
（1）使用稀疏向量来节省空间。在独热编码下，特征向量只有某一维取值为 1，其他位置取值均为0。因此可以利用向量的稀疏表示有效地节省空间，并且目前大部分的算法均接受稀疏向量形式的输入。

向量的稀疏表示方法：稀疏向量和密集向量都是向量的表示方法。
稀疏向量和密集向量的区别：密集向量的值就是一个普通的double数组，而稀疏向量由两个并列的数组indices和values组成。
例如，向量（1,0,1,3），用密集格式表示为[1,0,1,3]，用稀疏格式表示为（4,[0,2,3],[1,1,3]），第一个4表示向量的长度（元素个数），[0,2,3]就是indices数组，指向量中非零的数的位置，[1,1,3]是对应的非零数的值。

（2）配合特征选择来降低维度。高维度特征会带来几方面的问题。一是在K 近邻算法中，高维空间下两点之间的距离很难得到有效的衡量；二是在逻辑回归模型中，参数的数量会随着维度的增高而增加，容易引起过拟合问题；三是通常只有部分维度是对分类、预测有帮助，因此可以考虑配合特征选择来降低维度。

特征选择是机器学习中降维技术的一种，另外的降维技术有特征提取。通过特征选择，可以选出原始特征的一个子集。在特征提取中，通过对现有的特征信息进行推演，构造出一个新的特征子空间。特征选择和特征提取的不同在于，特征选择得到的特征子集还是原来的特征，特征提取得到的特征不是原来的特征。

- 二进制编码

二进制编码主要分为两步，先用序号编码给每个类别赋予一个类别ID，然后 将类别ID对应的二进制编码作为结果。以A、B、AB、O血型为例，表1.1是二进制 编码的过程。A型血的ID为1，二进制表示为001；B型血的ID为2，二进制表示为 010；以此类推可以得到AB型血和O型血的二进制表示。可以看出，二进制编码本 质上是利用二进制对ID进行哈希映射，最终得到0/1特征向量，且维数少于独热编 码，节省了存储空间。

除了本章介绍的编码方法外，有兴趣的读者还可以进一步了解其他的编码方 式，比如Helmert Contrast、Sum Contrast、Polynomial Contrast、Backward Difference Contrast等。