数据集特征编码和缩放

Question

我有一个具有非序数分类特征的数据集。在训练机器学习模型（线性 SVC）之前转换它们（编码 + 缩放）的最佳方法是什么？

我尝试过的事情：

1. 标签编码 - 这有效。但是缩放没有意义，因为功能中的不同类别没有任何特定顺序。

2. One-Hot encoding - 一个特征中有数千个独特的类别，这通过创建数千列使 ML 模型变得复杂。

3. 计数编码 - 我的训练-测试拆分没有训练集中某个特征的所有唯一类别，当我对这些特征进行计数编码时，这会在测试集中引入 NaN。

感谢您的帮助！

Answer 1

要解决您在测试集中有一些不在训练集中的唯一值的问题，您可以尝试执行以下操作：

1. 使用df = train.append(test)合并训练数据集
2. 应用您之前使用的编码
3. 使用以下方法将数据集拆分回训练和测试：

• train = df.head(len(train))

• test = df.tail(len(test))

根据我的经验，我可以说 LabelEncoding 和 OneHotEncoding 是编码非序数特征的一些最佳技术。

希望这会有所帮助:)