分类特征是重要的一类特征。分类特征是离散的，非连续的。

本文将针对小型分类和大型分类介绍5种主流的编码方式。以及各自的优缺点。

分类特征是用来表示分类的，他不像数值类特征是连续的，分类特征是离散的。

比如：

有些分类特征也是数值，比如账号ID，IP地址。但是这些数值并不是连续的。

连续的数字是数值类特征，离散的数字是分类特征。

关于连续和离散的解释可以看看这篇文章：《关于连续和离散的理解》

某些分类本来就有一定的排序，这种情况下就可以使用简单的自然数编码。

例如学位：

学士-0

硕士-1

博士-2

对于城市、颜色、品牌、材质…这些特征就不适合用自然数编码，因为这些特征是没有排序关系的。

使用独热编码可以让不同的分类处在「平等的地位」，不会因为数值的大小而对分类造成影响。

例如颜色分类（假设只有3种颜色）：

红色-100

黄色-010

蓝色-001

跟独热编码类似还有「虚拟编码-Dummy Encoding」和「效果编码-Effect Encoding」。

实现方式比较相似，不过有一些略微的差别，并且适用在不同的场景。

感兴趣的可以看看这篇文章：

《虚拟变量和独热编码的区别》

《赋值方法：效应编码》

目标编码是表示分类列的一种非常有效的方法，并且仅占用一个特征空间，也称为均值编码。该列中的每个值都被该类别的平均目标值替代。这可以更直接地表示分类变量和目标变量之间的关系。

目标编码的扩展阅读：《目标编码简介》

散列函数也是大家常听到的哈希函数。散列函数是一个确定性函数，它映射一个潜在的无界整数到有限整数范围[1，m]。

假如有一个分类有1万个值，如果使用独热编码，编码会非常长。而使用了散列编码，不管分类有多少不同的值，都会转换成长度固定的编码。

分箱计数的思维有点复杂：他不是用分类变量的值作为特征，而是使用目标变量取这个值的条件概率。

换句话说，我们不对分类变量的值进行编码，而是要计算分类变量值与要预测的目标变量之间的相关统计量。

优点：

缺点：

优点：

缺点：

优点：

缺点：

上面内容摘自：《精通特征工程》

分类特征是离散的特征，数值类特征是连续的。

对于小型分类，常用的编码方式有：

对于大型分类，常用的编码方式有：

相关文章推荐：

《机器学习之类别特征处理》

《特征工程(四): 类别特征》

2021年3月30日 by 打不死的小强 Updated: 2022年8月16日

Thanks for your rating!

You have already rated this article

An error occured, please try again later