1回答

liuyubobobo

2018-01-22

已采纳

这个课程由于不很强调数据预处理，所以对这个阶段的数据处理工作介绍不多。

具体来说，对于离散数据，也要具体问题具体分析：

首先，专业来讲，我们说的“离散数据”，叫“Categorical Variable”，中文可以翻译为“分类变量”。

1）有一种分类变量，虽然是分类变量，但是类别之间存在顺序关系。比如，对于房产，可能有一个属性是：周边地铁站的情况，会以分为“挨着地铁站”；“步行可达地铁站”；”必须坐车才能到地铁站“三种可能。那么此时，将“挨着地铁站”映射为0；“步行可达地铁站”映射为1；”必须坐车才能到地铁站“映射为2，是合理的。同理，学生的成绩优良中差；或者信用评级ABCD；等等等等，都是分类变量，但是我们可以直接将它映射为数字变量。

2）另外一种分类变量，类别之间没有顺序关系。比如，对于房产的”城市“这个属性；车辆的”颜色“，”型号“等等属性；体检数据中的”血型“属性，等等等等。对于这种分类变量，我们需要对数据进行预处理。常见的预处理方式是使用OneHotEncoder的方式。简单来说，就是把一个分类变量的所有分类展开。分类变量有几种可能，就展成几个属性。对于每个属性，只填写0或者1。

比如对于”血型“这个属性，他有”A“，”B“，”AB“，”O“四种可能。我们就将这个”血型“特征，转换成”是否是A“，”是否是B“，”是否是AB“，”是否是O“四个特征。简单示例如下：

+-Blood-Type-+        +- A? -+- B? -+- AB? -+- O? -+
+------------+        +------+------+-------+------+
+     A      +        +  1   +   0  +   0   +   0  +  
+------------+        +------+------+-------+------+
+     B      +        +  0   +   1  +   0   +   0  +
+------------+   =>   +------+------+-------+------+
+     AB     +        +  0   +   0  +   1   +   0  +
+------------+        +------+------+-------+------+
+     O      +        +  0   +   0  +   0   +   1  +
+------------+        +------+------+-------+------+

这样转换之后，再使用距离就可以了：）

对于一个数据，既有数字变量，又有分类变量，处理方式可以参见这里：https://coding.imooc.com/learn/questiondetail/39047.html

----

后续课程会在本月逐渐更新完毕。谢谢支持：）加油！

1

2

liuyubobobo

回复

XhmTLnz丶

抱歉，由于课程时间限制，决策树不会做底层编写。我争取在课程完结后，写一个补充代码，完成决策树的底层编写。

2018-01-22

共2条回复