机器学习中的名义价值数据集

Question

使用名义价值而不是真实价值或布尔价值的最佳方法是什么？它包含在机器学习的特征向量子集中？

我应该将每个名义值映射到实际值吗？

例如，如果我想让我的程序为输入功能可能包含的web服务用户学习预测模型

{gender（boolean），age（real），job（nominal）}

其中因变量可以是网站登录的数量。

变量作业可能是

之一

{PROGRAMMER，ARTIST，CIVIL SERVANT ......}。

我应该将PROGRAMMER映射到0，将ARTIST映射到1等等吗？

Answer 1

进行单热编码，如果有的话。

如果您的数据具有分类属性，建议使用可以很好地处理此类数据的算法，而不需要编码，例如决策树和随机森林。

Answer 2

如果您阅读了名为“使用Spark进行机器学习”的书，那么作者 写道，

分类功能

分类要素不能用作原始形式的输入，因为它们不是 数;相反，它们是变量可以采用的一组可能值的成员。在前面提到的示例中，用户占用是一个分类变量，可以取得学生，程序员等的价值。

要将分类变量转换为数字表示，我们可以使用a 常见的方法称为1-of-k编码。一种方法，例如1-of-k编码 需要以对机器有意义的方式表示名义变量 学习任务。序数变量可能以原始形式使用，但通常是 以与名义变量相同的方式编码。

我有同样的想法。

我认为如果有一个有意义的（精心设计的）转换函数将分类（标称）映射到实际值，我也可以使用只采用数值向量的学习算法。

实际上我做过一些我不得不这样做的项目 关于学习系统的表现没有提出任何问题。

对投票反对我的问题的人， 请取消您的评估。