[机器学习面试] Day2 : 数据预处理：序号编码、独热编码、二进制编码

场景描述

类别型特征（categorical feature）主要是指性别（男女）、血型（A,B,AB,O）等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式，除了决策树等少数模型能直接处理字符串形式的输入，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。

在对数据进行预处理时，应该怎么样处理类别型特征？

难度：★☆☆☆☆

① 序号编码 Ordinal Encoding

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。

② 独热编码 One-hot Encoding

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 B AB O），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型血表示为（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：

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。

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。

• 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；
• 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；
• 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。

③ 二进制编码 Binary Encoding

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，下表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。通过上述表格，我们可以看出，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。

除了上述三种编码方式外，还有其他的编码方式，例如：Helmert Contrast、Sum Contrast、Polynomial Contrast、Backward Difference Contrast等等。

创作打卡挑战赛 赢取流量/现金/CSDN周边激励大奖天天排行榜