在机器学习中编码数字标称值答案

【问题标题】：Encoding numeric nominal values in machine learning在机器学习中编码数字标称值
【发布时间】：2020-04-16 11:58:56
【问题描述】：

我正在研究基于网络数据的机器学习问题，其中我的数据集中的一列是Destination Port，其中的值类似于30, 80, 1024, etc.。

由于此列中的数值不是序数，我如何以某种方式转换此列，以便将其作为机器学习模型的输入？该列有大约 480 个独特的端口。

【问题讨论】：

标签： machine-learning data-processing

【解决方案1】：

由于Destination Port 是一个标称特征，因此可以使用label encoding 或one hot encoding 对其进行编码。

标签编码

优点：不增加维度
缺点：会对模型产生有序的影响

一种热编码

优点：对模型没有顺序影响
缺点：维度增加

【讨论】：

【解决方案2】：

这称为规范化，规范化的目标是更改数据集中数值列的值以使用通用比例，而不会扭曲值范围的差异或丢失信息。

 # Create x, where x the 'scores' column's values as floats
 x = df[['name_of_ur_column']].values.astype(float)

 # Create a minimum and maximum processor object
 min_max_scaler = preprocessing.MinMaxScaler()

 # Create an object to transform the data to fit minmax processor
 x_scaled = min_max_scaler.fit_transform(x)

或者你可以使用原始格式

 # Run the normalizer on the dataframe

 df_normalized = pd.DataFrame(x_scaled)
 normalized_df=(df-df.mean())/df.std()

使用最小-最大标准化：

 normalized_df=(df-df.min())/(df.max()-df.min())

【讨论】：