定義

類別特徵：如['male', 'female']等，模型不能直接識別的資料。處理的目的是將不能夠定量處理的變數量化。
特別的比如星期[1, 2, ... , 7]雖然是數字，但是數值之間沒有大小順序關係，需要視為類別特徵。

處理

編碼為模型可識別的數值型特徵。

根據模型處理能力的不同，需要考慮單純對映為數值或啞變數編碼。（尤其是線型模型和SVMs with standard kernels, knn?）

sklearn.preprocessing.OneHotEncder

This estimator transforms each categorical feature with m possible values into m binary features, with only one active.

把所有可能取值轉換為二進位制表示，只含一個一的那種？

結果

• dt, rf, gb, ada等對於縮放，編碼等不敏感，結果差異不大
• svr, knn結果縮放有提高，編碼還會變差？

pandas.get_dummies

啞變數編碼，適用於pd.DataFrame。

功能和OneHot類似，有額外的drop_first功能。

總結

• 啞變數編碼對於sklearn中的sklearn模型的意義不大。尤其是基於樹模型沒有影響。
• 線性模型有影響
• svm影響不大，甚至預設引數時因為特徵增加，表現下降
• knn不受影響（knn受冗餘特徵的影響較大）

為什麼無關緊要的特徵會損害KNN？