记录篇：【百面机器学习】第一章.特征工程---类别型特征

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。

 在对数据进行预处理时，应该怎样处理类别型特征？

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。