- \; ?+ M: C0 z4 ]2 H0 D3 j7 o
Question1|为什么需要对数值类型的特征做归一化？
& q9 ]4 S9 A# ?9 U+ i
4 l' b( {5 k6 f" u4 _/ b Question：在对数据进行预处理时，应该怎样处理类别型特征？
4 [5 |/ r# t- E5 ~. c ■ 序号编码
# ]5 I, _6 i; D 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
) E- T5 s- V D, L. @) |
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。
7 {! _5 @. T) O- H% C4 z! E ■ 独热编码
5 E$ M G3 \3 t4 K# ^% f( O& I
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。
, Q, ~, M& M9 R, o) w5 s' j: s u
（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。
0 O r) v- c J+ \& W) ~$ Q; ]( f （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。
- P' G R+ c8 z* D) L
■ 二进制编码
' ^! J6 b6 \. N5 a, {$ K ~ 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。
C5 p+ c0 m7 n: ]
; ^: W7 P8 c' B- q- W5 j2 k 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。
! M1 B' J5 f- [) u8 c& S+ ^' G
参考：《百面机器学习
( X) `) Q9 k; Y 》1.1
) |" _4 C' _4 v6 }% B
8 K9 q* b) A9 i8 p7 J: {" c$ _ 
