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，因为特征中的不同类别没有任何特定的顺序。

2. One-Hot 编码 - 特征中有数千个独特的类别，这通过创建数千个列而使 ML 模型变得复杂。

3. 计数编码 - 我的训练-测试分割没有训练集中某个特征的所有独特类别，当我对这些特征进行计数编码时，这会在测试集中引入 NaN。

Answer 1

要解决测试集中有一些训练集中没有的唯一值的问题，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. 应用您之前使用过的编码
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最佳技术。