通常，如果我有回归问题并且我的初始数据集包含分类变量，例如：
column 1:
Math
Science
Science
English
我会将这个非数值变量转换为数值变量，例如：数学：0，科学：1，英语：2。但是，我最近发现一个教程说这个解决方案没有性能，因为那里没有最喜欢的类这些类之间没有增加，如果存在，我们无法量化它。
谁能为我解释一下，因为我通常使用解决方案一？
处理回归问题中的分类变量使用哪种方法？
数据挖掘
回归
数据清理
机器学习模型
分类数据
2022-02-18 23:48:00
1个回答
仅当您的值有顺序时，此解决方案才会有效。一些模型使用点之间的距离作为学习函数，如果你使用你的方法，一个数学学生和一个英语学生（0 和 2 形成 2 距离）将比数学学生和科学学生有更多的距离（0 和 1 形成 1 的距离）。使用这种方法会产生偏见，因此您必须采用另一种方式。一种众所周知的方法是 One Hot Encoding，它将创建 3 个二进制变量 Column1_Math、Column1_Science、Column1_English，其值为 0 或 1（例如，如果第 1 列是数学，那么您将拥有 Column1_Math = 1、Column1_Science = 0、 Column1_English = 0)。这样，您就可以避免使模型出现偏差。
我已经在这个答案中解释了我知道处理您的问题的其他方法，我强烈建议您看一下
其它你可能感兴趣的问题