第5讲 处理类别型数据#
预计整个模块学习时长： 50 分钟
学习目标#
区分分类数据与数值数据。
使用独热向量（one-hot vectors）表示分类数据。
处理分类数据中常见的问题。
创建特征交叉（feature crosses）。
先修要求：
本模块假设您已熟悉以下模块中涵盖的概念：
本章内容
第5.1节 类别型数据简介（5分钟）
这一节是「类别型数据」模块的开场，作用是先划清一条界线：哪些数据能被乘、哪些不能。沿着「类别型数据的定义 → 数字也可能是类别型 → 为什么要编码」三步展开：先点明类别型数据「取值集合是固定的」这一本质并给出五个例子，再用邮政编码这个反例说 …
第5.2节 类别型数据的词表与独热编码（10分钟）
这一节要解决一个很具体的问题：一列字符串，怎么变成模型能吃的向量？沿着「词表 → 索引编号 → 独热编码 → 稀疏表示 → 高维怎么办」五步推进：先用低维特征表说明「类别够少时，一个类别就能当一个独立特征」，再指出直接把索引编号塞进模型会让 …
第5.3节 类别型数据的常见问题（5分钟）
类别型数据的标签是人（或模型）打的，所以它的可靠性完全取决于「谁打的、怎么打的」。这一节沿着「人的标注 → 模型的标注 → 维度爆炸」三块常见问题展开：先讲金标签（gold labels）质量固然更好却仍需排查人为失误、偏见与恶意，并用评分 …
第5.4节 类别型数据的特征交叉（5分钟）
特征交叉是把两个（或更多）类别型 / 分箱特征取笛卡尔积，合成一个新特征——思路和 1.9 节的多项式变换是一路人：模型训练方式一点不变，线性模型却从此能拟合非线性；区别只在于一个吃数值、一个吃类别。这一节先用叶片数据集（edges × …
第5.5节 类别型数据的特征交叉练习
光看定义不够，这一节直接把你按到 Playground 上面动手。Playground 是 Google 的交互式实验台：你可以挑特征、调超参数，然后立刻看到这些选择如何改变模型的判断。本页两个练习都在里面跑——练习一把三个候选特征 …
第5.6节 类别型数据随堂测验
五道题、答对四道即通过——这一节用课程原版随堂测验把「类别型数据」整章串起来验收一遍：先考哪些字段该算类别型（电话号码、薯条形状、星级评分都算，书页数不算），再考金标签与银标签的优劣方向，以及在六个取值里 `blue` 唯一合法的编码形式； …