머신 러닝의 기능 구성 및 표준화

영화 M에 대한 물류 분류기를 만들고 싶다고 가정 해 보겠습니다. 내 특징은 사람의 나이, 성별, 직업, 위치와 같은 것입니다. 훈련 세트는 다음과 같습니다.

• 연령 성별 직업 위치 좋아요 (1) / 싫음 (0)
• 23 M 소프트웨어 미국 1
• 24F 닥터 영국 0

등등 .... 이제 내 질문은 어떻게 기능을 확장하고 표현해야 하는가입니다. 내가 생각한 한 가지 방법 : 나이를 연령 그룹으로 나눕니다. 18-25, 25-35, 35 이상, 성별은 M, F, 위치는 미국, 영국, 기타입니다. 이제이 모든 값에 대해 이진 피처를 작성하십시오. 따라서 연령에는 각각 연령 그룹 등에 해당하는 3 개의 이진 피처가 있습니다. 따라서 미국의 28 세 남성은 010 10100 (010-> 연령 그룹 25-35, 10-> 남성, 100-> 미국)으로 표시됩니다.

여기서 기능을 나타내는 가장 좋은 방법은 무엇입니까? 또한, 나는 일부 예에서 나타났습니다. 예를 들어 성별은 남성과 여성에 대해 0.0045와 -.0.0045의 두 값으로 표시됩니다. 나는 이런 식으로 스케일링 / 비정형 화하는 방법에 대한 단서가 없습니까?

이진 사례

피처를 이진으로 나타내려면 범주 형 (예 : 실제 ) 값에 대한 적절한 표현이 핫 (각도 온도계 ) 인코딩입니다. 당신은 하지 않습니다 를 정상화 할 필요가있다.

범주 형 기능 의 하나의 핫 인코딩의 경우 각 클래스에 대해 하나의 비트 만 예약하면됩니다. 따라서이 인코딩의 길이는 기능의 클래스 수입니다. 나라의 모범을 보자.

• 미국의 경우 00001
• 영국의 경우 00010
• 아시아의 경우 00100
• 유럽의 경우 01000
• 다른 사람을위한 10000

실수 / 정수 기능 의 온도계 인코딩의 경우 길이와 임계 값을 선택해야합니다. 나이의 예를 들어, 임계 값 18,25 및 35에 따라 나이를 나누기로 선택했습니다.

• 0-17의 경우 000
• 18-25의 경우 001
• 25-34의 경우 011
• 35 이상인 경우 111

두 가지를 합치면 크기 5 + 3 = 8 비트의 인코딩을 얻습니다. 30 세 영국 거주자의 경우

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0}^{UK}\cdot \overbrace{0 \cdot 1 \cdot 1 }^{30yo}$$

연속 사례

회귀 모델에서 허용하는 경우 자세한 정보가 포함 된 실수 / 정수 피쳐에 대한 실제 값을 유지하는 것이 좋습니다. 예를 다시 생각해 봅시다. 이번에는 단순히 age의 값을 정수로 사용합니다. 따라서 30 세 영국 거주자의 인코딩은

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0 }^{UK}\cdot \overbrace{30 }^{30yo}$$

BGreene이 말했듯이,이 값을 정규화하여 평균 0과 표준 편차 1을 유지하여 많은 회귀 모형의 안정성을 보장해야합니다. 그러기 위해서는 단순히 경험적 평균을 빼고 경험적 표준 편차로 나눕니다.

Y_normalized = ( Y - mean(Y) ) / std(Y)

데이터베이스에있는 모든 사람의 평균 연령이 25이고 표준 편차가 10 인 경우 30y.o의 정규화 된 값입니다. person은 이며 U K ⏞ 0 ⋅ 0 ⋅ 0 ⋅ 1 ⋅ 0 ⋅ 30 y o ⏞ $(30-25)/10 = 0.5$

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0}^{UK}\cdot \overbrace{0.5 }^{30yo}$$