特征编码
机器学习模型需要的数据是数字型的,因为只有数字类型才能进行计算,而我么你平时处理到的一些数据是很多是符号的,或者是中文的。所以编码是必要的,对于各种各样的特征值去编码实际上就是一个量化的过程
one-hot endcoding
图片来自(微信公众号:Python数据科学)[https://juejin.im/post/5b738ce26fb9a009896c4e4c]
电梯经过特征编码之后就变成了图所示的样子。
我们再一Mnist的label为例子,来说明一下:
我们先对数字7进行编码,
print(data_['train/labels'])
>>> [7 3 4 ... 5 6 8]
如果把[7 3 4 ... ]
变成one-hot将会是如下的形式:
[[0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
.......]
使用one-hot编码,将离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点,将离散特征通过one-hot编码映射到欧式空间,是因为,在回归,分类,聚类等机器学习算法中,特征之间距离的计算或相似度的计算是非常重要的,而我们常用的距离或相似度的计算都是在欧式空间的相似度计算,计算余弦相似性,基于的就是欧式空间.
测试代码如下:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# no-one-hot
mnist_ = input_data.read_data_sets('/home/ai/dataset/mnist', one_hot=False)
data_ = {}
data_['train/labels'] = mnist_.train.labels
print(data_['train/labels']
>>> [7 3 4 ... 5 6 8]
# one-hot
mnist = input_data.read_data_sets('/home/ai/dataset/mnist', one_hot=True)
data = {}
data['train/images'] = mnist.train.images
data['train/labels'] = mnist.train.labels
print(data['train/labels'][2])
>>> [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
label encoding
这是我们给特征向量自定义数字标签。
比如;
类别 | label encoding |
---|---|
dog | 1 |
cat | 2 |
mouse | 3 |
这里的1,2,3
可以换成任意的数字,可以换成其他的比如4, 7, 8
二者的优点和不足
one-hot
- 优点:
解决了分类器不好处理分类数据的问题,在一定程度上也起到了扩充特征的作用。它的值只有0和1,不同的类型存储在垂直的空间
比如如果使用one-hot编码,则得到x_1 = (1, 0, 0), x_2 = (0, 1, 0), x_3 = (0, 0, 1),那么两个工作之间的距离就都是sqrt(2).即每两个工作之间的距离是一样的,显得更合理。
- 缺点:
要分类的物体不适宜太多,不然维度会变得很大。
在这种情况下,一般可以用PCA来减少维度。而且one hot encoding+PCA这种组合在实际中也非常有用。
基于参数的模型或基于距离的模型,都是要进行特征的归一化。
将离散型特征进行one-hot编码的作用,是为了让距离计算更合理,但如果特征是离散的,并且不用one-hot编码就可以很合理的计算出距离,那么就没必要进行one-hot编码,比如,该离散特征共有1000个取值,我们分成两组,分别是400和600,两个小组之间的距离有合适的定义,组内的距离也有合适的定义,那就没必要用one-hot 编码。
label encoding
- 优点:
解决了分类编码的问题,可以自由定义量化数字。但其实也是缺点,因为数值本身没有任何含义,只是排序。如大中小编码为123,也可以编码为321,即数值没有意义。 - 缺点:
可解释性比较差。比如有[dog,cat,dog,mouse,cat],我们把其转换为[1,2,1,3,2],这里就产生了一个奇怪的现象:dog和mouse的平均值是cat。因此,Label encoding编码其实并没有很宽的应用场景。
如何选取编码模型
数据类型
- 定类问题-one-hot
因为分类问题是,就是纯粹的分类,没有顺序,没有逻辑关系。比如各个国家分类就可以用onehot - 定序问题-lable-encoding
也是分类,但是类别之间有逻辑关系。
比如,学历分小学,初中,高中,本科,研究生,各个类别之间存在一定的逻辑,显然研究生学历是最高的,小学最低。这时候使用Label encoding会显得更合适,因为自定义的数字顺序可以不破坏原有逻辑,并与这个逻辑相对应。
模型类别
- 对数值大小敏感的模型必须使用one-hotencoding。典型的例子就是LR和SVM。二者的损失函数对数值大小是敏感的,并且变量间的数值大小是有比较意义的。而Label encoding的数字编码没有数值大小的含义,只是一种排序,因此对于这些模型都使用one-hot encoding。
- 对数值大小不敏感的模型(如树模型)不建议使用one-hotencoding
般这类模型为树模型。如果分类类别特别多,那么one-hot encoding会分裂出很多特征变量