今日话题:数据预处理之独热编码(OneHotCode)

在AI实际应用场景中，对于数据的预处理直接影响建模的效果和准确性。一般来说，建模采集到的数据都是不能直接用于机器学习的，都要经过数据预处理。

本文讲解一种数据预处理方法呢--独热编码(OneHotCode)。该方法可以用于标称数据转换成数值数据，也可以用于缺失值数据的处理。其实方法的原理特别简单，将原数据映射出二进制向量的形式，举两个应用场景大家就清楚了。

1）标称型数据转数值型数据

如 职称等级（初级；中级；高级）

编码结果 : 初级->(1,0,0)

中级->(0,1,0)

高级->(0,0,1)

2) 缺失值处理

缺失值有几种处理方式，如 定值替换；均值替换；插值替换等等。但是有些时候我们也要考虑业务场景，比如医学数据，对于缺失值我们不能主管的选择一种处理方式来填充缺失值。这时候独热编码就发挥优势了。

特别是对于连续型的缺失值数据，又不能用值替换的补充方式来替换，也可以通过结合业务场景，将数值型数据 通过区间的方法 先转换成标称数据，这样就可以用上述方法处理缺失数据了。

如：语文分数(99,94,95,87,45,缺失值；缺失值；...) 连续型

转成标称数据-->

语文分数(100-80;80-60;<60;缺失值)变成4类

再用独热编码-->

语文分数 (1,0,0,0) (0,1,0,0) (0,0,1,0) (0,0,0,1)

当然将连续性数据转成标称数据时，可以根据模型效果和业务场景选择合适的属性区间，才能训练出最优的并且符合业务解释的模型。

如果大家希望了解更多关于人工智能领域的知识，可以关注我们的头条号，如果大家有关于AI人工智能领域的相关问题或开发接入需求的，也可以直接私信我们。

AI技术联盟，致力于为用户提供最新、最好的AI学习知识，并为用户提供私有化AI领域相关专业化开发外包服务。