我有一个名义和数字特征的数据集。如果可能，我希望能够完全用数字表示此数据集。
理想情况下，我可以针对n元名义特征执行此操作。我意识到在二进制情况下，一个可以用整数表示两个标称值。但是，当名义特征可以具有许多排列时，这怎么可能呢？
最佳答案
有许多技术可以将分类属性“嵌入”为数字。
例如，给定一个可以采用值red，green和blue的分类变量，我们可以将其简单地编码为三个属性isRed={0,1}，isGreen={0,1}和isBlue={0,1}。
尽管这很流行，而且显然会“起作用”，但许多人都认为谬误是认为以后的数值处理技术将产生合理的结果。
如果您运行例如以这种方式对数据集进行编码的k均值之后，结果可能不会太有意义。特别是，如果获得诸如isRed=.3 isGreen=.2 isBlue=.5之类的均值，则无法合理地将其映射回原始数据。更糟糕的是，使用某些算法，您甚至可能会得到isRed=0 isGreen=0 isBlue=0。
我建议您尝试处理实际数据，并尽量避免编码。如果您有一个好的工具，它将允许您使用混合数据类型。不要试图使所有内容成为数值向量。这种数据的数学视图非常有限，并且数据不会为您提供所有需要从该视图中受益的数学假设（例如度量空间）。
关于machine-learning - 数字表示名义数据，同时保留数据语义，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/20272828/