xgboost使用one-hot编码方式是否合理

one-hot编码方式

离散特征为什么要是用one-hot编码方式:

  • 类别编码默认特征是有序的,不适用于离散特征
  • 特征之间的距离计算方式更加合理
  • 编码后每一维的特征都是独立的,可以看做是连续特征
  • 无法考虑特征之间的相互关系

决策树与类别编码

在树模型中,当类别特征为数很高时,one-hot编码并不合适:

  1. 使用one-hot coding的话,意味着每一个决策节点上只能用one-vs-rest的切分方式,当特征维度高时,每个类别的数据都会比较少,产生的切分不平衡,切分增益也会很小
  2. 会影响决策数的学习,会把数据切分到很多零散的空间中,而决策树学习时利用的统计信息,在这些数据量小的空间中,统计信息不准确,学习会变差。

在决策数应该如何使用类别特征:

  1. 类比特征的最有切分?lightGBM
  2. 转化为数值特征
    a)利用NN将one-hot训练为一个embedding
    b)统计每个类别对应的label的均值(样本的均值)
    c)其他的编码方式:

类别型特征编码方式

  • label encoding:直接将类别特征从字符串转换为数值

  • 直方图编码:计算不同类别样本对应的正负样本比例,然后用这个比例来替换原始的类别标签

    缺点 :
    1. 没有考虑类别特征不同类别数量的影响
    2. 非常依赖于训练集中的样本标签的分布情况

  • 计数编码

  • 平均值编码:高势集类别(High Categorical)进行经验贝叶斯转换成数值feature

    高基数定性特征的例子:IP地址、电子邮件域名、城市名、家庭住址、街道、产品号码。基数(cardinality)指的是这个定性特征所有可能的不同值的数量。在高基数(high cardinality)的定性特征面前,Label Encoding等数据预处理的方法往往得不到令人满意的结果。

  • target encoding目标编码:
    封装了各种编码方式:https://github.com/scikit-learn-contrib/category_encoders/tree/master/category_encoders

参考资料

  1. https://blog.csdn.net/pipisorry/article/details/61193868
  2. https://www.zhihu.com/question/266195966
  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值