仅适用于数据子集的变量答案

【问题标题】：Variable that apply only to a subset of the data仅适用于数据子集的变量
【发布时间】：2019-11-11 18:12:50
【问题描述】：

我正在使用此链接上提供的公共数据集。

这是关于营销的，其中一个变量（pdays，数字）是指从上一个广告系列中最后一次联系客户后经过的天数。

值为 999 的行表示之前未联系过客户。恐怕在 ML 算法中使用它会导致错误的结果。

我正在考虑将它们归零。但我不知道在使用算法之前缩放数据集时如何处理零（我应该考虑零吗？）。

有没有更好的解决方案？

【问题讨论】：

【解决方案1】：

我认为您将这个值设为 0 是正确的，但这里的最佳做法可能是同时定义一个新的二进制变量。您可以将此变量命名为“以前未联系过”，并且对于值 999 的每个观察值，将值 1 分配给新变量，表示以前未联系过客户，否则为 0。

【讨论】：

感谢您提供有关添加新标志变量的提示。但是缩放呢？我应该缩放pdays 变量是否包含零？
这取决于您，我的以下答案不正确，因为有多种方法可以解决。我会将符合条件的值拟合为 -1 到 1 的比例，并强制所有调整后的值（以前的 999 的值）在这个新的比例中为 0，以此作为奇数值居中的一种方式，这样它们就不会被视为具有统计意义（也不是高也不低）。想象一下学习多元线性回归，即变量的权重和偏差。 0 会取消并且不会改变模型输出的值，从而迫使模型学习其他变量（标志变量）或偏差的调整。