虚拟变量和单热编码有什么区别？

Question

我正在为机器学习模型制作功能。我对虚拟变量和单热编码感到困惑。对于一个实例，类别变量'week'的范围是1-7。当使用单热编码时，将week = 1编码为1,000,000，{{1} }是0,100,000 ......但我也可以制作一个虚拟变量week = 2，这样我就必须设置一个 'week_v'表示基本变量，功能hidden variable为100,000，week_v = 1为010,000 ...... 没有出现week_v = 2。那么它们之间的区别是什么？我正在使用逻辑模型然后我会尝试gbdt。

Answer 1

事实上，这两种方法（而不是措辞）对你的回归的影响没有区别。

在任何一种情况下，你必须确保你的一个假人被遗漏（即作为基本假设），以避免集合中的完美多重共线性。

例如，如果你想考虑一个观察的weekday，你只能使用6个（而不是7个）假人，假设遗漏一个是基础变量。使用单热编码时，您的weekday变量在一个列中作为分类值存在，实际上回归使用其第一个值作为基础。