選自towardsdatascience
機器之心編譯
作者：Andre Ye
編輯：小舟、張倩
one-hot encoding 是一種被廣泛使用的編碼方法，但也會造成維度過高等問題。因此，medium 的一位博主表示，在編碼分類變量方面，我們或許還有更好的選擇。
one-hot 編碼（one-hot encoding）類似於虛擬變量（dummy variables），是一種將分類變量轉換為幾個二進位列的方法。其中 1 代表某個輸入屬於該類別。
從機器學習的角度來看，one-hot 編碼並不是一種良好的分類變量編碼方法。
眾所周知，維數越少越好，但 one-hot 編碼卻增加了大量的維度。例如，如果用一個序列來表示美國的各個州，那麼 one-hot 編碼會帶來 50 多個維度。
one-hot 編碼不僅會為數據集增加大量維度，而且實際上並沒有太多信息，很多時候 1 散落在眾多零之中，即有用的信息零散地分布在大量數據中。這會導致結果異常稀疏，使其難以進行優化，對於神經網絡來說尤其如此。
更糟糕的是，每個信息稀疏列之間都具有線性關係。這意味著一個變量可以很容易地使用其他變量進行預測，導致高維度中出現並行性和多重共線性的問題。
最優數據集由信息具有獨立價值的特徵組成，但 one-hot 編碼創建了一個完全不同的環境。
當然，如果只有三、四個類，那麼 one-hot 編碼可能不是一個糟糕的選擇。但是隨著類別的增加，可能還有其他更合適的方案值得探索。本文作者列舉了幾個方案供讀者參考。
目標編碼
目標編碼（Target encoding）是表示分類列的一種非常有效的方法，並且僅佔用一個特徵空間，也稱為均值編碼。該列中的每個值都被該類別的平均目標值替代。這可以更直接地表示分類變量和目標變量之間的關係，並且也是一種很受歡迎的技術方法（尤其是在 Kaggle 比賽中）。
但這種編碼方法也有一些缺點。首先，它使模型更難學習均值編碼變量和另一個變量之間的關係，僅基於列與目標的關係就在列中繪製相似性。
而最主要的是，這種編碼方法對 y 變量非常敏感，這會影響模型提取編碼信息的能力。
由於該類別的每個值都被相同的數值替換，因此模型可能會過擬合其見過的編碼值（例如將 0.8 與完全不同的值相關聯，而不是 0.79），這是把連續尺度上的值視為嚴重重複的類的結果。
因此，需要仔細監控 y 變量，以防出現異常值。要實現這個目的，就要使用 category_encoders 庫。由於目標編碼器是一種有監督方法，所以它同時需要 X 和 y 訓練集。
from category_encoders import TargetEncoder enc = TargetEncoder(cols=['Name_of_col','Another_name']) training_set = enc.fit_transform(X_train, y_train)
留一法編碼
留一法（Leave-one-out）編碼試圖通過計算平均值（不包括當前行值）來彌補對 y 變量的依賴以及值的多樣性。這使異常值的影響趨於平穩，並創建更多樣化的編碼值。
由於模型不僅要面對每個編碼類的相同值，還要面對一個範圍值，因此它可以更好地泛化。
在實現方面，可以使用 category_encoders 庫中的 LeaveOneOutEncoder。
from category_encoders import LeaveOneOutEncoder enc = LeaveOneOutEncoder(cols=['Name_of_col','Another_name']) training_set = enc.fit_transform(X_train, y_train)
實現類似效果的另一種策略是將正態分布的噪聲添加到編碼分數中，其中標準差是可以調整的參數。
貝葉斯目標編碼
貝葉斯目標編碼（Bayesian Target Encoding）是一種使用目標作為編碼方法的數學方法。僅使用均值可能是一種欺騙性度量標準，因此貝葉斯目標編碼試圖結合目標變量分布的其他統計度量。例如其方差或偏度（稱為高階矩「higher moments」）。
然後通過貝葉斯模型合併這些分布的屬性，從而產生一種編碼，該編碼更清楚類別目標分布的各個方面，但是結果的可解釋性比較差。
證據權重
證據權重（Weight of Evidence，簡稱 WoE）是另一種關於分類自變量和因變量之間關係的方案。WoE 源自信用評分領域，曾用於區分用戶是違約拖欠還是已經償還貸款。證據權重的數學定義是優勢比的自然對數，即：
ln (% of non events / % of events)
WoE 越高，事件發生的可能性就越大。「Non-events」是不屬於某個類的百分比。使用證據權重與因變量建立單調關係，並在邏輯尺度上確保類別，這對於邏輯回歸來說很自然。WoE 是另一個衡量指標「Information Value」的關鍵組成部分。該指標用來衡量特徵如何為預測提供信息。
from category_encoders import WOEEncoder enc = WOEEncoder(cols=['Name_of_col','Another_name']) training_set = enc.fit_transform(X_train, y_train)
這些方法都是有監督編碼器，或者是考慮目標變量的編碼方法，因此在預測任務中通常是更有效的編碼器。但是，當需要執行無監督分析時，這些方法並不一定適用。
非線性 PCA
非線性 PCA（Nonlinear PCA）是一種使用分類量化來處理分類變量的主成分分析（PCA）方法。它會找到對類別來說的最佳數值，從而使常規 PCA 的性能（可解釋方差）最大化。
原文連結：
https://towardsdatascience.com/stop-one-hot-encoding-your-categorical-variables-bbb0fba89809
如何根據任務需求搭配恰當類型的資料庫？
在AWS推出的白皮書《進入專用資料庫時代》中，介紹了8種資料庫類型：關係、鍵值、文檔、內存中、關係圖、時間序列、分類帳、領域寬列，並逐一分析了每種類型的優勢、挑戰與主要使用案例。
原標題：《one-hot encoding不是萬能的，這些分類變量編碼方法你值得擁有》
閱讀原文