具有 2 个类的虚拟变量。它应该在单列还是多列中？

Question

我正在研究分类问题，使用 Python (scikit learn) 中的逻辑回归模型。我的特点之一是性别。在原始数据集中，这个变量是一个字符串（男性，女性）。我使用了 pandas 的 get_dummies 方法，它创建了 2 个具有 0,1 值的列。每个班级一个。

我的问题是，我应该使用 2 个不同的列，还是像男性 (0,1) 这样的单个列？

Answer 1

我个人喜欢将n - 1 列用于具有n 类别的字段。当使用get_dummies 方法时，这意味着将drop_first 设置为True。

至于我为什么喜欢这样做；我的一位前任讲师在他对one hot encoding vs dummy encoding in sckikit learn 的回答中很好地解释了这一点。基本上它归结为消除共线性。