類別型特徵處理方式
您好,講義中提到以下兩個原則:
1. 類別型特徵建議預設採⽤用標籤編碼。
2. 除非該特徵重要性高,且可能值較少(獨熱編碼時負擔較低) 時,才應考慮使⽤用獨熱編碼。
如講義所說,名目型的類別資料在「標籤編碼」下是沒有太大意義的,理論上應不存在 台北市>新竹市 or 新竹市>台北市...等隱含意義。
類別資料大致可區分為:名目型資料、次序型資料。
因此,該原則是否建議改為不論重要性高低,「名目型資料」使用「獨熱編碼」; 「次序型資料」使用「標籤編碼」?
以上思考不確定是否有誤解的部分,還請參考,謝謝。
BR,
Kam
回答列表
-
2019/05/07 下午 02:08Jimmy贊同數:1不贊同數:0留言數:1
Hi 汶修!
你的理解是正確的喔!名目型資料多使用 one-hot encoding,實務上我們會觀察資料中名目資料的實際意義,但不是所有名目資料都適合做 one-hot 當作特徵,例如名字,如果使用名字當作特徵則每個名字都會有獨立的編碼,因此使用前要特別注意喔!
另外名目型資料有時也可能存在次序性,像是台北、新竹,其實也存在緯度的次序,因此資料的形式會要依據你的專案目標而定 。
-
2019/05/07 下午 02:54張維元 (WeiYuan)贊同數:2不贊同數:0留言數:1
先說結論:
- 原始資料是有序離散值的話 => Label Encoding
- 原始資料是無序離散值的話 => One Hot Encoding (Dummies)
以下分為兩點說明:
為什麼要將離散轉數值?
=> 因為大部分的模型都是基於數學運算,所以字串資料是無法運算的
為什麼要將無序轉 One-Hot?
=> 所謂數學運算一般泛指用距離代表相似(幾何觀點),意思是會用轉換後的兩個值的差距作為其相似程度。
舉個例子:
* 如果將性別欄位的男/女轉換成 0, 1 ,二元的沒問題。
* 如果講水果這個無序欄位中的頻果、香蕉、西瓜,Label 成 0, 1, 2 會隱含著「香蕉跟蘋果」比「西瓜跟蘋果」還要相似的意義,但這樣是錯誤的。
* 如果是年齡這個有序欄位的老年、中年、少年,Label 成 0, 1, 2 就很恰當,到如果硬轉成 One-Hot 反而將這個差距關係給拿掉。