机器学习之数据预处理——特征编码(标签编码，独热编码)

最新推荐文章于 2024-09-16 16:56:48 发布

943802606

最新推荐文章于 2024-09-16 16:56:48 发布

阅读量2k

点赞数

分类专栏： # 机器学习文章标签：机器学习数据挖掘人工智能

本文链接：https://blog.csdn.net/qq_50675813/article/details/121780687

版权

本文探讨了机器学习中数据预处理的重要环节——特征编码，特别是针对离散数据的标签编码和独热编码。标签编码将分类特征转化为数字，适用于定序数据和对数值大小不敏感的模型。独热编码则解决分类变量问题，适用于定类数据，但可能导致维度灾难。sklearn库提供了LabelEncoder和OneHotEncoder工具进行这些编码操作。

摘要由CSDN通过智能技术生成

机器学习里有一句名言：数据和特征决定了机器学习的上限，而模型和算法的应用只是让我们逼近这个上限。这个说法形象且深刻的提出前期数据处理和特征分析的重要性。这一点从我们往往用整个数据挖掘全流程60%以上的时间和精力去做建模前期的数据处理和特征分析也能看出。那么疑问来了，这超过60%时间和精力我们都用在哪了？本文基于以往的知识储备以及实际的项目经验，我做一个总结。

主要包括三部分，一是获取数据、数据抽样，二是数据探索，三是数据预处理与清洗

数据预处理——特征编码

由于机器学习算法都是在矩阵上执行线性代数计算，所以参加计算的特征必须是数值型的，对于非数值型的特征需要进行编码处理。对于离散型数据的编码，我们通常会使用两种方式来实现，分别是标签编码和独热编码

离散数据的编码

对于离散型数据的编码，我们通常会使用两种方式来实现，分别是标签编码和独热编码

标签编码

将类别型特征从字符串转换为数字
先说结论：OneHotEncoder更常用，LabelEncoder目前应用场景不多

特点：

解决了分类编码的问题，可以自由定义量化数字
数值本身没有任何含义，仅是标识或者排序的作用
可解释性比较差

适用范围：

对于定序类型的数据，使用标签编码更好，虽然定序类型也属于分类，但是其有排序逻辑
对数值大小不敏感的模型（如树模型），建议使用标签编码

sklearn LabelEncoder(使用fit_transform函数)

将离散型的数据转换成 0 0 0 到 n − 1 n − 1 n−1 之间的数

import pandas as pd
from sklearn.preprocessing import LabelEncoder


df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'],
            ['red', 'L', 13.5, 'class2'],
            ['blue', 'XL', 15.3, 'class1