国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

機器學(xué)習(xí)“特征編碼”的經(jīng)驗分享：魚還是熊掌？

JinB / 2888人閱讀

摘要：特征編碼類型本篇，我們主要說一下分類型特征的編碼方式。下面，我們要對這個變量進行編碼，在中有現(xiàn)成的獨熱編碼方法，代碼如下原來的變量被拆分為兩個多帶帶的變量，這兩個變量就是原來的分類特征值有電梯和無電梯。

作者：xiaoyu

微信公眾號：Python數(shù)據(jù)科學(xué)

知乎：python數(shù)據(jù)分析師

1. 為什么要進行特征編碼？

我們拿到的數(shù)據(jù)通常比較臟亂，可能會帶有各種非數(shù)字特殊符號，比如中文。下面這個表中顯示了我們最原始的數(shù)據(jù)集。而實際上機器學(xué)習(xí)模型需要的數(shù)據(jù)是數(shù)字型的，因為只有數(shù)字類型才能進行計算。因此，對于各種特殊的特征值，我們都需要對其進行相應(yīng)的編碼，也是量化的過程。

2. 特征編碼類型

本篇，我們主要說一下分類型特征的編碼方式。對于分類型數(shù)據(jù)的編碼，我們通常會使用兩種方式來實現(xiàn)，分別是：one-hot encoding 和 label-encoding。下面我們先介紹一下這兩種編碼。

One-hot encoding

one-hot encoding也就是我們常常聽到的獨熱編碼（啞變量）。那么到底什么是獨熱編碼呢？我們來看一個例子，是二手房房價分析中所使用的數(shù)據(jù)：

可以看到，圖中的Elevator和Renovation都是定類型數(shù)據(jù)。除去缺失值，Elevator分類有電梯和無電梯兩種。Renovation分為有精裝，簡裝，毛坯和其它四種。下面，我們要對Elevator這個變量進行編碼，在pandas中有現(xiàn)成的獨熱編碼方法get_dummy，代碼如下：

pd.get_dummies(lianjia_df["Elevator"])

原來的Elevator變量被拆分為兩個多帶帶的變量，這兩個變量就是原來的分類特征值：有電梯和無電梯。并且新變量的特征值用數(shù)字0和1來替代，代表是否或者有無的概念。比如無電梯變量的1代表是（沒有電梯），相反，0就代表否（有電梯）。因此概括一下，獨熱編碼就是將原始特征變量轉(zhuǎn)換成以原始特征值分類的多維度的變量，并用是否（0,1）這種方式的新特征值替代和量化。

Label encoding

label-encoding就是用標(biāo)簽進行編碼的意思，即我們給特征變量自定義數(shù)字標(biāo)簽，量化特征。來看一個例子：

Class=["大一","大二","大三","大四"]
df = pd.DataFrame({"Class":Class})
df

Class特征是定序數(shù)據(jù)類型，也是分類類型，但比定類更高級，因為有排序。Label encoding就是對特征值進行自定義式的標(biāo)簽編碼。比如將大一變?yōu)?，大二變?yōu)?，大三為3，大四為4。那么經(jīng)過編碼后，特征值將變?yōu)橐韵碌臉幼樱?/p> 

classMap = {"大一":1,"大二":2,"大三":3,"大四":4}
df["Class"] = df["Class"].map(classMap)
df

上面就將Class特征進行相應(yīng)的編碼。其實，Label encoding并沒有任何限制，你也可以將Class定義為10,20,30,40，只不過1,2,3,4看起來比較方便。因此總結(jié)概括，Label encoding就是將原始特征值編碼為自定義的數(shù)字標(biāo)簽完成量化編碼過程。

3. 兩種編碼方式的優(yōu)缺點 
One-hot encoding

優(yōu)點：解決了分類器不好處理分類數(shù)據(jù)的問題，在一定程度上也起到了擴充特征的作用。它的值只有0和1，不同的類型存儲在垂直的空間。

缺點：當(dāng)類別的數(shù)量很多時，特征空間會變得非常大，容易造成維度災(zāi)難。

Label encoding

優(yōu)點：解決了分類編碼的問題，可以自由定義量化數(shù)字。但其實也是缺點，因為數(shù)值本身沒有任何含義，只是排序。如大中小編碼為123，也可以編碼為321，即數(shù)值沒有意義。

缺點：可解釋性比較差。比如有[dog,cat,dog,mouse,cat]，我們把其轉(zhuǎn)換為[1,2,1,3,2]，這里就產(chǎn)生了一個奇怪的現(xiàn)象：dog和mouse的平均值是cat。因此，Label encoding編碼其實并沒有很寬的應(yīng)用場景。

4. 兩種編碼該如何區(qū)分和使用？

明白這兩種編碼方式并不難，難的是如何區(qū)分和使用。好多朋友面對數(shù)據(jù)，會產(chǎn)生困惑，不知該使用哪種編碼方式最為合適。對于這個問題，有以下幾點需要考量：

特征的數(shù)據(jù)類型

所要使用的模型

事先聲明：編碼方式?jīng)]有固定的方式，具體問題還需具體分析。對模型結(jié)果有利的編碼才是最正確的。所以，實際中如果分不清哪種更好的時候，可能需要將兩種都嘗試進行對比。

下面分享一下自己淺顯的經(jīng)驗（一般情況下的使用）：

特征數(shù)據(jù)類型

對于定類類型的數(shù)據(jù)，建議使用one-hot encoding。定類類型就是純分類，不排序，沒有邏輯關(guān)系。比如性別分男和女，男女不存在任何邏輯關(guān)系，我們不能說男就比女好，或者相反。再者，中國各省市分類也可以用獨熱編碼，同樣各省不存在邏輯關(guān)系，這時候使用one-hot encoding會合適些。但注意，一般會舍去一個變量，比如男的對立面肯定是女，那么女就是重復(fù)信息，所以保留其中一個變量即可。

對于定序類型的數(shù)據(jù)，建議使用label encoding。定序類型也是分類，但有排序邏輯關(guān)系，等級上高于定類。比如，學(xué)歷分小學(xué)，初中，高中，本科，研究生，各個類別之間存在一定的邏輯，顯然研究生學(xué)歷是最高的，小學(xué)最低。這時候使用Label encoding會顯得更合適，因為自定義的數(shù)字順序可以不破壞原有邏輯，并與這個邏輯相對應(yīng)。

所使用的模型

對數(shù)值大小敏感的模型必須使用one-hotencoding。典型的例子就是LR和SVM。二者的損失函數(shù)對數(shù)值大小是敏感的，并且變量間的數(shù)值大小是有比較意義的。而Label encoding的數(shù)字編碼沒有數(shù)值大小的含義，只是一種排序，因此對于這些模型都使用one-hot encoding。

對數(shù)值大小不敏感的模型（如樹模型）不建議使用one-hotencoding。一般這類模型為樹模型。如果分類類別特別多，那么one-hot encoding會分裂出很多特征變量。這時候，如果我們限制了樹模型的深度而不能向下分裂的話，一些特征變量可能就因為模型無法繼續(xù)分裂而被舍棄損失掉了。因此，此種情況下可以考慮使用Label encoding。

以上兩點考量需要綜合考慮，而非多帶帶判斷。也就是說需要結(jié)合數(shù)據(jù)類型和模型的情況來具體選擇編碼方式。

5. 總結(jié)

以上是博主對于兩種編碼方式的一些理解，如果有什么不對或者需要補充的地方，請大家指正。而對于連續(xù)型的變量，如果需要編碼首先需要進行離散化（分箱），然后再使用上述編碼方式編碼。數(shù)據(jù)離散化的內(nèi)容我們后續(xù)進行介紹。

關(guān)注微信公眾號：Python數(shù)據(jù)科學(xué)，發(fā)現(xiàn)更多精彩內(nèi)容。

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://specialneedsforspecialkids.com/yun/42228.html

相關(guān)文章

  • 機器學(xué)習(xí)“特征編碼”的經(jīng)驗分享：魚還是熊掌？

    摘要：特征編碼類型本篇，我們主要說一下分類型特征的編碼方式。下面，我們要對這個變量進行編碼，在中有現(xiàn)成的獨熱編碼方法，代碼如下原來的變量被拆分為兩個單獨的變量，這兩個變量就是原來的分類特征值有電梯和無電梯。 作者：xiaoyu 微信公眾號：Python數(shù)據(jù)科學(xué) 知乎：python數(shù)據(jù)分析師 showImg(https://segmentfault.com/img/remote/146000...

    trilever 評論0 收藏0

  • 同樣是程序員，他轉(zhuǎn)行在新加坡賣魚走向巔峰！

    摘要：翁哥是一個不折不扣的程序員，曾經(jīng)在互聯(lián)網(wǎng)公司做了十幾年，可是期間他接觸了很多養(yǎng)魚的商人與愛好者，主要還是因為他喜歡魚與自然。唯一有點欠缺的就是，我們翁哥沒有分享他的商業(yè)模式，不過看到這里已經(jīng)很佩服他的激情與勇氣了。 本博客 貓叔的博客，轉(zhuǎn)載請申明出閱讀本文約3分鐘適讀人群：IT/互聯(lián)網(wǎng)工作者 身邊很多朋友最近都和我訴苦說有點迷茫... 我大多都詢問他們最近是否有制定什么目標(biāo)，為什么制...

    binaryTree 評論0 收藏0

  • 打通本地部署和公有云，混合云架構(gòu)讓“魚”和“熊掌”兼得（一）

    摘要：對于上述問題，混合云架構(gòu)無疑是企業(yè)的最佳選擇。解決方案將本地環(huán)境與公有云連通組成混合云架構(gòu)，實現(xiàn)對本地環(huán)境計算能力的快速擴展。前言當(dāng)前各行各業(yè)在積極擁抱云計算，但由于一些歷史原因和合規(guī)要求導(dǎo)致很多企業(yè)全面上云比較困難，比如企業(yè)監(jiān)管制度及合規(guī)要求一些核心數(shù)據(jù)庫必須保留在本地數(shù)據(jù)中心；本地數(shù)據(jù)中心作為企業(yè)固定資產(chǎn)不容易完全拋棄；有些大型集團企業(yè)IT架構(gòu)復(fù)雜，全面遷移上云的影響難以評估等等。因此，...

    Tecode 評論0 收藏0

  • 打通本地部署和公有云，混合云架構(gòu)讓“魚”和“熊掌”兼得（一）

    摘要：對于上述問題，混合云架構(gòu)無疑是企業(yè)的最佳選擇。解決方案將本地環(huán)境與公有云連通組成混合云架構(gòu)，實現(xiàn)對本地環(huán)境計算能力的快速擴展。前言當(dāng)前各行各業(yè)在積極擁抱云計算，但由于一些歷史原因和合規(guī)要求導(dǎo)致很多企業(yè)全面上云比較困難，比如企業(yè)監(jiān)管制度及合規(guī)要求一些核心數(shù)據(jù)庫必須保留在本地數(shù)據(jù)中心；本地數(shù)據(jù)中心作為企業(yè)固定資產(chǎn)不容易完全拋棄；有些大型集團企業(yè)IT架構(gòu)復(fù)雜，全面遷移上云的影響難以評估等等。因此，...

    Tecode 評論0 收藏0

發(fā)表評論

0條評論

最新活動
閱讀需要支付1元查看
<