将大量分类变量编码为输入数据

Question

当您处理数百个类别时，一个热门编码听起来并不是一个好主意，例如：一个数据集，其中一列是＆＃34;名字＆＃34;。编码此类数据的最佳方法是什么？

Answer 1

我推荐散列技巧：

https://en.wikipedia.org/wiki/Feature_hashing#Feature_vectorization_using_the_hashing_trick

计算成本低，易于使用，可以指定维度，并且通常可以作为分类的良好基础。

对于您的特定应用，我会对功能值对进行哈希处理，例如（＆＃39; FirstName＆＃39;，＆＃39; John＆＃39;），然后为哈希值增加存储区。

Answer 2

如果您有大量类别，则分类算法效果不佳。相反，有一种更好的方法可以做到这一点。您对数据应用回归算法，然后在这些输出上训练偏移量。它会给你更好的结果。

可以找到示例代码here。