顺序编码还是一个热编码

Question

如果我们不确定分类特征的性质，比如它们是名词性的还是序数的，我们应该使用哪种编码？顺序编码还是一个热编码？关于这个话题有没有明确的规定？

我看到很多人对没有方向的分类数据使用顺序编码。假设一个频率表：

some_data[some_col].value_counts()
[OUTPUT]
color_white    11413
color_green     4544
color_black     1419
color_orang        3
Name: shirt_colors, dtype: int64

有很多人更喜欢在这个专栏上做顺序编码。我非常想用一热编码。我对此的看法是，做序数编码会给这些颜色分配一些有序的数字，这意味着一个排名。而且没有排名第一。换句话说，我的模型不应该认为color_white是4，color_orang是0或1或2。请记住，数据描述中也没有任何排名或顺序的提示。

我对这个话题有如下理解：

既没有方向也没有大小的数字是标称变量。例如，水果列表=[‘苹果’、‘橘子’、‘香蕉’]。除非有特定的上下文，否则此集合将被称为标称集合。对于这些变量，我们应该执行get_dummie或一个热编码

而序数变量有一个方向。例如，衬衫尺寸列表=[大、中、小]。这些变量称为序数变量。如果同一个水果列表背后有一个上下文，比如价格或营养价值，可以给水果列表中的水果排序，我们称之为顺序变量。对于顺序变量，我们执行顺序编码

我的理解正确吗？请提供您的反馈这个话题已经变成了一场噩梦谢谢！

Answer 1

你说得对。选择<代码> OrdinalEncoder < /COD>或<html" target="_blank">代码> OneHotEncoder < /代码>只有一件事：数据顺序是否重要？

大多数ML算法都假设两个相邻的值比两个遥远的值更相似。在某些情况下，这可能很好，例如，对于有序类别，例如：

• 质量=[“差”、“一般”、“好”、“优秀”]或

但显然情况并非如此：

• 颜色=[白色，橙色，黑色，绿色]

列（除了需要考虑频谱的情况），例如从白色到黑色。注意，在这种情况下，<代码>白色< /代码>类别应被编码为<代码> 0 < /代码>，<代码>黑色< /代码>应被编码为类别中最高的数字），或者如果您有一些情况，例如，类别0和类别4可能比类别0和类别1更相似。要解决此问题，常见的解决方案是为每个类别创建一个二进制属性（一个热编码）