& t/ \& g/ G0 ~1 r% z6 w z
Question1|为什么需要对数值类型的特征做归一化？
4 }* E# O# Y- x+ N( ~$ i& H u
! N* L: t6 X5 F Question：在对数据进行预处理时，应该怎样处理类别型特征？
: Z4 g0 u8 O3 X* M ■ 序号编码
' Q1 Y( ?# T! j1 t+ O 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 q/ w$ q- N0 u! k" A 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。
6 y) T# x* E7 S0 V ■ 独热编码
' M9 v) l" h& @0 x& c/ y2 W
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。
$ ^* h; S' U& F! S7 z3 c （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。
7 c% O( Q6 E! l0 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。
5 y9 p: ? J4 q* @2 ` ■ 二进制编码
7 Q! e9 ^: B/ `, p% v
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。
}$ o3 l1 u# n! _8 A4 s 
/ j4 o2 s5 j9 {+ Y. A# 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。
9 G* g& T" G. @ 参考：《百面机器学习
( h0 M. U4 y* { H( Z% U$ U6 |! A 》1.1
1 Z' U' |+ O: R. r* y7 k
- `. X, {4 P5 }' y- b 
