- f9 f( H7 ^. I% d# u6 [# y
Question1|为什么需要对数值类型的特征做归一化？
8 O* W( e: p# c7 Z: U
: x( i, N2 k. B: }$ N# {9 T+ j& L& s( E Question：在对数据进行预处理时，应该怎样处理类别型特征？
9 r: u2 f/ e7 s5 o3 b ■ 序号编码
$ N8 L& C9 O9 x' s% r/ U7 M 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
- i+ ^+ H0 Z7 e+ k# ^+ }% ^. \; W
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。
- f0 C: t5 b" p1 S# |& c' X4 z, ^! Z
■ 独热编码
0 q5 w3 X8 Z# y. P& \1 N+ m& K 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。
# r& Z& ^; _, Z+ e2 p
（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。
8 c& E9 H8 N7 R （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。
* |9 f. D! `: ]4 u
■ 二进制编码
* W6 ?1 D! s/ h+ p3 G2 p2 I6 R
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。
6 s: o* b8 e/ B# z) n2 T 
; n# u6 L0 y! p
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。
' @# f/ U. s( E: E, e 参考：《百面机器学习
- F7 ~4 {5 a3 B" |- R& o4 a9 X2 U
》1.1
; C) g. D3 x/ L' k9 C
: S |) k; Z6 l+ z
