特征工程_编码

异世界.png

[TOC]

编码

序号编码(标签编码)

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。

独热编码

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。

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。

3. 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；

4. 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；

5. 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

二进制编码

二进制编码主要分为两步

1. 先用序号编码给每个类别赋予一个类别 ID;

2. 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，表是二进制编码的过程。

血型	类别ID	二进制表示	独热编码
A	1	0 0 1	1 0 0 0
B	2	0 1 0	0 1 0 0
AB	3	0 1 1	0 0 1 0
O	4	1 0 0	0 0 0 1

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0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。

其他编码

other: Helmert Contrast、Sum Constrast、Polynomial Constrast、Backward Difference Constrast