在数据集中，我们为什么不用数字来表示标称的一部分呢？
在数据集中，我们为什么不用数字来表示标称的一部分呢？
提问于 2019-12-26 10:21:54
我正在试着预处理一个小数据集。我不明白为什么我不应该做我解释过的事情：
例如，假设我们有一个属性，它以三个标称值来描述天气的温度:热、温和和冷。我理解这些定义可能是从数值中总结出来的。
但是，为什么我们要总结这些在一个尺度上的价值，而在这个过程中失去规模呢？
如果该算法(任何分类算法)认识到热和冷的区别是热和冷的区别的两倍，那么用整数1、2和3来表示热、温和和冷的区别会不会有帮助呢？
回答 2
Data Science用户
回答已采纳
发布于 2019-12-26 14:51:47
在进行机器学习预处理时，需要明确的问题有两点：
- 根据学习算法的不同，您可能需要将分类数据转换为数字格式；例如，拆分树不需要它，并且可以处理分类数据，而另一个回归标志则需要数字作为输入。
- 如果您必须将数据转换为数字，则有两种可能：
- 整数编码:这是您正确描述的情况；使用这种方法，只需按序数顺序更改标签就没有问题了(事实上，这样做更好，这样algo就可以了解冷和热之间的自然距离，而不是冷和温和。尽管如此，对于一个决策树来说，这并不重要，因为这些都是标签。
- 单热编码:当算法类型需要数字，且数据中没有序数性质时，这是防止非序数数据被理解为序数所需的选项。更多信息这里
Data Science用户
发布于 2019-12-26 20:19:38
这正是标签编码的作用。这就是标签和热编码(至少一种)之间的区别，换句话说，当您想要表示这样的信息时，即冷是一个不同的/更强/更弱的效果，您可以使用标签编码显式地告诉您的算法。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/65452
复制相关文章
相似问题
腾讯云开发者
