何时使用 one-hot 编码以及何时使用虚拟变量？答案

【问题标题】：When to use one-hot encoding and when to use dummy variable?何时使用 one-hot 编码以及何时使用虚拟变量？
【发布时间】：2017-11-24 00:50:00
【问题描述】：

我有一个简短的问题。我想知道何时以及在什么情况下使用 one-hot 编码以及何时应该使用虚拟变量。

我打算对分类变量和数值变量进行聚类分析。我在一个论坛上读到，我可以尝试使用 one-hot 编码对分类变量进行编码。但我想知道是什么使它与虚拟变量不同。

谢谢

【问题讨论】：

在我看来是一回事。 One-hot 编码变量是虚拟变量是same。
我也想知道 one-hot 编码和虚拟变量之间的区别是什么？在 ML 中使用 one-hot 编码而在统计中使用虚拟变量是否只是一个术语？（有点像特征与预测器）。

【解决方案1】：

主要区别在于虚拟编码通常会删除其中一列。例如。具有 3 个级别的变量将获得 2 个虚拟变量和 3 个单热编码变量。这是为了确保您没有多重共线性。 One-hot-encoding 有时也称为 full dummy encoding

【讨论】：

【解决方案2】：

大多数聚类算法都是基于距离的。

任何这样的编码都是一种使分类数据看起来像数字的技巧，但这只会推迟产生的问题：如何规范化、加权、去相关和组合特征。

对于大多数聚类算法，无论您将虚拟编码为 0,1、0,100000 还是 0,0.000001，都会产生巨大的差异。那么你应该使用哪一个呢？对此没有客观的数学答案，这会导致严重的问题。

【讨论】：