0 t$ H( v" q9 h% b, |& ~2 X5 n7 `% u
Question1|为什么需要对数值类型的特征做归一化？
/ z# @9 A/ b( z7 C9 a: M& j
4 I( w% a* y7 [0 \* G* ]% _# N Question：在对数据进行预处理时，应该怎样处理类别型特征？
" S+ ?% }; A7 t, x: y8 e ■ 序号编码
4 L" A9 @( W- C% s
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 C5 K$ ?- M6 W) j 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。
4 E( \6 e: g) H5 M/ X) q, z, s0 n6 ]1 c
■ 独热编码
2 Z& ~( T* p2 D6 _) r! T: y 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。
; \6 v+ D; \! z6 E$ o% n
（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。
; y5 S8 N! Q5 M: D
（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。
% ^! c) T7 ?, c5 h v ■ 二进制编码
& Y( C6 h6 s5 k: R: G
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。
; t/ |$ o1 d. w! z8 w
- m. o, e" `" m7 h& x% x* A% N$ c8 X/ J 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。
8 b- [: Q9 B" E& l' C( L: A
参考：《百面机器学习
+ |. [4 F& c9 ?5 E$ X" p 》1.1
% X4 p2 T, X! x E! g5 Z- P7 [
% W* O" }) r& M- u+ e
