数据集：转换数据#

我们都知道机器学习模型只能用浮点数来训练，可一个数据集里，很多特征天生就不是浮点数，所以机器学习中有一件很重要的事，就是把这些非浮点特征转换成浮点表示。

举个例子。假设有一个叫 street names（街道名称）的特征。街道名称大多是字符串，比如 “Broadway” 或 “Vilakazi”。模型没法在 “Broadway” 上训练，所以你必须先把 “Broadway” 变成一个浮点数。至于怎么变，处理类别型数据那一节讲得很清楚。

更进一步，大多数本来就是浮点数的特征，其实也要再变换一遍。这个变换过程叫归一化（normalization），它是把浮点数收敛到一个受约束的区间里，从而改善模型训练。具体怎么做，可以看处理数值数据。

MLWM： 关于「为什么要把特征变换到同一量纲」，可以参见文章「特征标准化：归一化与标准化的原理及实现」；把街道名这类字符串变成数值向量的思路，则可以参见「词袋模型原理：文本特征表示与机器学习建模」 中的介绍。

数据太多的时候用抽样#

有些机构很幸运，手里的数据多得用不完。

因此，当数据集里的样本太多时，你就必须挑出一个子集来训练模型。在挑的时候，尽可能选那些与模型预测最相关的样本，毕竟，数据虽多，能用得上的才是关键。

过滤含 PII 的样本#

好的数据集里，不该出现含有个人身份信息（PII，Personally Identifiable Information）的样本。这条规矩有助于保护隐私，但也可能对模型产生影响。

课程后面的「安全与隐私」模块会展开讲这些话题。

关键术语：

• 归一化