序数编码或 One-Hot-Encoding

Question

如果我们不确定分类特征的性质，例如它们是名义特征还是有序特征，我们应该使用哪种编码？序数编码还是单热编码？ 关于这个主题有明确定义的规则吗？

我看到很多人在没有方向的分类数据上使用 Ordinal-Encoding。 假设一个频率表：

some_data[some_col].value_counts()
[OUTPUT]
color_white    11413
color_green     4544
color_black     1419
color_orang        3
Name: shirt_colors, dtype: int64

在本专栏中有很多人更喜欢使用 Ordinal-Encoding。而且我一心想要使用 One-Hot-Encoding。 我对此的看法是，进行 Ordinal Encoding 会为这些颜色分配一些有序的数字，这意味着排名。而且一开始就没有排名。换句话说，我的模型不应该认为 color_white 是 4 而 color_orang 是 0 或 1 或 2。 请记住，数据描述中也没有任何排名或顺序的提示。

我对这个话题的理解如下：

既没有方向也没有大小的数字是名义变量。例如，fruit_list =['apple','orange',banana']。除非有特定的上下文，否则该集合将被称为名义集合。 对于此类变量，我们应该执行 get_dummies 或 one-hot-encoding

而序数变量有一个方向。例如， shirt_sizes_list = [大、中、小]。这些变量称为序数变量。如果同一个水果列表背后有一个上下文，比如价格或营养价值，即可以给水果列表中的水果一些排名或顺序，我们称之为序数变量。 对于序数变量，我们执行序数编码

我的理解正确吗？ 请提供您的反馈 这个话题变成了噩梦 谢谢！

Answer 1

你是对的。选择OrdinalEncoder 或OneHotEncoder 时要考虑的一件事是数据的顺序重要吗？

大多数机器学习算法会假设两个邻近的值比两个遥远的值更相似。这在某些情况下可能没问题，例如，对于有序类别，例如：

• quality = ["bad", "average", "good", "excellent"] 或
• shirt_size = ["large", "medium", "small"]

但显然不是这样的：

• color = ["white","orange","black","green"]

列（除了需要考虑光谱的情况，例如从白色到黑色。请注意，在这种情况下，white 类别应编码为0 和black应编码为类别中的最高数字），​​或者如果您有某些情况，例如，类别 0 和 4 可能比类别 0 和 1 更相似。要解决此问题，一种常见的解决方案是创建一个二进制文件每个类别的属性（One-Hot 编码）