1.2 在对数据进行预处理时，应该怎样处理类别型特征?

1.2 知识点：序号编码(Ordinal Encoding)、独热编码(One-hot Encoding)、二进制编码(Binary Encoding)

知识点：序号编码(Ordinal Encoding)、独热编码(One-hot Encoding)、二进制编码(Binary Encoding)

摘要：类别型特征指的是在有限选项内取值的特征。处理方法有：序号编码、独热编码、二进制编码。

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。

问题：在对数据进行预处理时，应该怎样处理类别型特征?（难度：2颗星）

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。

  (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。

• 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Helmer t Contrast、Sum Contrast、PolynomialContrast、Backward Difference Contrast等。

参考文献：
《百面机器学习》 诸葛越主编
出版社：人民邮电出版社（北京）
ISBN：978-7-115-48736-0
2022年1月北京第19次印刷