机器学习初级篇8——数据的编码方式
类别型特征( Categorical Feature ) 主要是指性别 (男、女)、血型( A 、 B、 AB 、 0 ) 等只在高限选I页内取值的特征。 类别型特征原始输入通常是字符串形式,除7决策树等少 数模型能直接处理字符串形式的输入 3 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。
一.变量的编码方式
1.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、高三挡,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 。
2.独热编码
1虫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、 0 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, I, 0, 0 ) , AB 型表示为( 0, 0, I, 0 ) , 0 型血表示为( 0, 0,
0, I ) 。 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。
( I )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 ,真他位置取值均为 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