我想为泰坦尼克号（Kaggle 的比赛）制作反向传播算法。
这很容易做到，但我有一个问题。反向传播算法是关于数字的。但是我们在泰坦尼克号中有字符串类型。例如，
我们有一个列“性别”（男性或女性），“登船”（S、C 或 Q）。我不会使用“姓名”和“票证”。我不知道我可以用“Sex”和“Embarked”栏做什么。我如何将这些东西用于反向传播算法。
我的想法如何解决这个问题 我想我可以将 number int=1 用于男性，将 number int=2 用于女性。我也可以将数字 1 用于 S，将 2 用于 C，将 3 用于 Q。
你觉得我的想法怎么样？如何为泰坦尼克号制作反向传播算法？ （可能我的想法不是很好）。
【问题讨论】：
标签： python machine-learning neural-network backpropagation
我想如何解决这个问题我想我可以使用 number int=1 表示男性，使用 number int=2 表示女性。我也可以将数字 1 用于 S，将 2 用于 C，将 3 用于 Q。
这是几乎正确的。对于只有两个用 0 和 1 编码的值的特征是可以的。但是，如果您有超过 2 个可能值的分类特征，则永远不应将它们编码为单个数字。这种编码只能用于 ordinal 特征，这意味着尽管它们“不是数字”，但它们确实有顺序。例如，如果您有“小、大、巨大”，那么您可以将它们编码为 1、2、3，但如果您的值完全无序，您应该一个热编码它们，这意味着具有 K可能的值在您的表示中变为 K 位，您只需将 1 放在给定位置（导致（红色、蓝色、绿色）编码为 [1 0 0]、[0 1 0]、[0 0 1]。
如果您不遵守此规则会怎样？假设您的特征是一个名称，并且您有四种可能性“James, Mark, Eve, Kate”，您将其编码为 1、2、3、4。然后，如果您的模型得知 James 和 Eve 获得了好分数，而Kate 没有，它会（或者至少有相当大的概率会）推断出 Mark 也有很好的分数，因为从模型的角度来看，没有名字，只是任意特征，值为 1 的人是好，值 3 是好的，而 4 是坏的，所以假设“2”也是好的是一个不错的推理。请注意，这只是编码的结果，如果您只是以不同的方式排序名称 - 您会得到不同的结果。单热编码不会发生这种情况。
如果您想使用仅在 R^d 空间上定义的方法，这通常在 ML 中完成。当然，如果你对这个特性了解得更多，你有时可以提出更好的编码，例如颜色可以分解为它们的 RGB 表示，这样你就可以直接对红色、橙色和黄色之间的相似性进行编码。一般来说 - 一种热编码是 最安全 方法，任何其他方法都会引入一些可能误导您的模型的假设（如果它们是错误的）。
【讨论】：