如果数据集中的多个列都采用不同的格式，那么处理此类数据的最佳方法是什么？

Question

比方说，数据集的长度和宽度等列可以是浮点数，也可以有一些二进制元素（是/否）或离散数字（变换为数字的类别）。简单地将所有这些作为特征使用而不必担心格式（或者更像是特征的性质）是什么意思？在进行规范化时，我们可以像连续数一样将离散数标准化吗？我对处理多种格式感到很困惑.....

Answer 1

1. 是的，您可以规范化离散值。但它应该没有真实的 对学习的影响 - 如果你是正常化的话 做某种形式的相似性测量，但事实并非如此 对于因子变量。有一些特殊情况，如神经 网络，对输入/输出的规模是敏感的 权重大小（参见'消失\爆炸梯度'主题）。还有 如果您正在对数据进行聚类，那么会有所帮助。 聚类使用某种距离测量，所以它会 更好地使所有功能具有相同的规模。
2. 除了某些内容之外，没有什么特别的分类内容 学习方法尤其擅长使用分类 功能，一些 - 使用实值特征，一些擅长 两者。

我对分类和实值特征混合的首选是使用一些基于树的方法（RandomForest或Gradient Boosting Machine）和第二个 - ANNs。

此外，处理因子（分类变量）的极好方法是将它们转换为布尔变量集。例如，如果你有一个五个级别（1,2,3,4和5）的因子，一个好的方法是将它转换为5个特征，在一个代表其中一个级别的列中有1个。