该数据集是否需要一种热编码？

Question

下面是UCI数据存储库中的数据集。我想建立一个回归模型，将血小板计数作为因变量（y），其余作为特征/输入。

但是，以数字形式存在的数据集中的分类变量很少，例如贫血，性别，吸烟和DEATH_EVENT。

我的问题是：

1. 在建立回归模型之前，我应该对这些变量执行“一次性编码”吗？
2. 此外，我观察到这些值在各个范围内，因此在应用回归模型之前，我还应该缩放数据集吗？

Answer 1

1。在建立回归模型之前，我应该对这些变量执行“一次性编码”吗？

是的，您应该对分类变量进行一次热编码。您可以像下面这样使用：

columns_to_category = ['sex', 'smoking','DEATH_EVENT']
df[columns_to_category] = df[columns_to_category].astype('category') # change datetypes to category
df = pd.get_dummies(df, columns=columns_to_category) # One hot encoding the categories

2。如果是这样，则仅一种热编码就足够了，或者我应该执行 标签编码？

我猜一个热编码就足够了。

3。另外，我观察到这些值在各个范围内，因此在应用回归模型之前，我是否还应该缩放数据集？

是的，您可以使用StandardScaler()或MinMaxScaler()获得更好的结果，然后对预测值进行反比例缩放。另外，请确保分别缩放测试和培训，而不要合并训练，因为在现实生活中您的测试将无法实现，因此您需要相应地缩放以避免这种错误。

Answer 2

如果这些确实是二进制类别，则不必进行热编码。它们已经被编码。

Answer 3

您不必使用一键编码，因为那些列已经具有数值。尽管如果这些数值实际上是字符串而不是int或float，则应在它们上使用一键编码。关于缩放数据，变化很大，因此应缩放它，以避免回归模型偏向高值。