推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
在做特征向量化的时候, 为什么一个特征有 3 个不同的值,向量化后变为了 0 和 1? 在学习随机森林的时候遇到问题. 虚心请教大佬
yagamil · 2021-07-20 19:33:00 +08:00 · 1084 次点击这是一个创建于 1233 天前的主题，其中的信息可能已经有所发展或是发生改变。
vec = DictVectorizer()
X = vec.fit_transform(feature_list).toarray()
数据格式如下:
age 特征有 3 个值
youth, middle_age , sesor
然后向量化后就变成了
这样得到的结果是不是就不准了?
 |
1
necomancer 2021-07-20 22:51:50 +08:00
取决于你对 feature 的理解和怎么建模，比如你可以 low=1, medium=2, high=3，因为 low-high 之间距离大于 medium 到 high 的距离似乎也挺合理的。但向量化
low medium high (01) (01) (01) 比如你有一个 feature 对应 low，则给出向量 1 0 0 high 则是 0 0 1 这样做是为了两两间等距，并且是一组正交基。一般用于你的离散 feature 之间等权且没什么关联。 |
 |
2
yagamil OP @necomancer 谢谢回复.
如果特征里面的不同值有 4 个,5 个,是不是就无法用 0 和 1 表达了你? |
|
3
necomancer 2021-07-22 10:06:45 +08:00
|
 |
4
princelai 2021-07-22 15:47:08 +08:00
更常用的是 one hot 方法，特征处理是为了让计算机知道怎么区分，通常连续数字不需要做处理，分类 /非连续内容需要做处理，或者说不可以比较大小的都需要处理，能比较大小的直接替换为数字就能用。
|
|
5
yagamil OP 谢谢大神回复
@princelai 这个倒经常用. 不过对于随机森林这种算信息商的, 不同类别只是一个符号作用, 并不涉及距离. 好像 onehot 没用的 ? |
|
6
princelai 2021-07-23 10:03:39 +08:00
@yagamil #5 你可以看看西瓜书，我印象中以上来就讲的挑西瓜对西瓜分类。比如西瓜有很多性状，根蒂曲直，瓜皮花纹，瓜皮颜色，瓤颜色等等，瓤颜色有红色、青色、分红三种，这一个特征做完 onehot 就是 001,010,100,最终结果恰好是红色的就是熟瓜，那么这个特征熵最低，从这里分裂可以使结果误差最小，那么其他特征都可以不用，只用到瓜瓤颜色 onehot 后的三列特征即可 100%预测准确了。
|
Select Language