) V/ K. i* l2 q3 F6 n! r |) ^ Question1|为什么需要对数值类型的特征做归一化？
! L3 u: L0 r2 R: q' ?) D
& x5 T1 V: Z% o1 `3 j1 U Question：在对数据进行预处理时，应该怎样处理类别型特征？
6 K j; p$ u; b$ I
■ 序号编码
$ r/ y* M, o1 Y9 N8 X/ t+ u 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
* |3 r* P% q* s$ c! Y% ] G1 g" B 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。
/ Y# M8 p, z# F1 q- E8 ?& T) { ■ 独热编码
1 c3 y0 Y+ @7 I! L+ e, `+ v 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。
% H' S g* J" Y* g: i1 F （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。
! ]' {( m% a1 i
（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。
" g* g% @6 _* [' X' A
■ 二进制编码
2 Q; c# X! g9 i# a* X2 w
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。
1 g7 v* H: D! s& R! S5 P4 w4 L% h& b
+ ]1 I3 n A8 I. t5 n+ [& a9 E 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Helmert Contrast、Sum Contrast、Polynomial Contrast、BackwardDifference Contrast等。
1 v7 u9 A: q3 b# \ 参考：《百面机器学习
7 c: k4 `0 y7 z) J; D
》1.1
6 |. M+ q& N! m& a4 ?& u+ R 4 S7 d- r. L9 F) G; w1 B% x! Q, [
