數(shù)據(jù)科學(xué)中有各種各樣的模型，有的聽起來很簡(jiǎn)單粹排，比如線性回歸种远；有的呢，聽起來就很嚇人顽耳，比如深度學(xué)習(xí)坠敷。但是不管什么樣的模型，從本質(zhì)上來講，模型都是對(duì)訓(xùn)練數(shù)據(jù)做數(shù)學(xué)運(yùn)算，并以此求得模型參數(shù)的估計(jì)值碳锈。所以我們需要保證兩點(diǎn)：
- 第一侥蒙，訓(xùn)練數(shù)據(jù)能進(jìn)行數(shù)學(xué)運(yùn)算
- 第二轰胁，對(duì)變量所做的數(shù)學(xué)運(yùn)算是合理的
對(duì)于第一點(diǎn)，通常只在一些特定的應(yīng)用場(chǎng)景里才需要比較復(fù)雜的處理，比如自然語言處理物延、圖像識(shí)別等卖漫。但對(duì)于第二點(diǎn)费尽，幾乎所有的場(chǎng)景都會(huì)遇到。這里將注重研究第二點(diǎn)“對(duì)變量所做的數(shù)學(xué)運(yùn)算是合理的”羊始，它表示的內(nèi)涵是：對(duì)于變量旱幼，數(shù)字的運(yùn)算有相應(yīng)的實(shí)際意義，包括以下兩個(gè)方面突委。
- 數(shù)字的大小關(guān)系柏卤。
- 數(shù)字的四則運(yùn)算。
為了更好地討論問題匀油，將模型的自變量分類缘缚。正如前面章節(jié)所提到的，在模型里使用的變量可以分為兩類：數(shù)值型變量和類別型變量钧唐。如圖1所示忙灼。
數(shù)值型變量，在學(xué)術(shù)上也被稱為定量變量（quantitative variable）钝侠，如長(zhǎng)度、收入酸舍、重量等帅韧。它們的數(shù)值表示具體的測(cè)量或計(jì)數(shù)。事實(shí)上啃勉，定量變量按是否連續(xù)可進(jìn)一步細(xì)分為連續(xù)型變量和離散型變量忽舟。在一定區(qū)間內(nèi)可以任意取值的變量叫連續(xù)型變量，比如人的身高淮阐、體重等叮阅；反之則是離散型變量，比如公司員工人數(shù)等泣特。對(duì)于這類變量浩姥，數(shù)字間的不等關(guān)系是有實(shí)際意義的。比如對(duì)于收入状您，在數(shù)學(xué)上勒叠，100小于1000；在實(shí)際生活中膏孟，100元也小于1000元眯分。數(shù)字間的四則運(yùn)算也同理，這里就不贅述了柒桑。當(dāng)然由于數(shù)字的等于關(guān)系和四則運(yùn)算弊决，數(shù)值型變量常常隱含著邊際效應(yīng)恒定的假設(shè)，正如我們?cè)诘?章里討論的那樣魁淳。在某些場(chǎng)景下飘诗，這個(gè)隱含假設(shè)與現(xiàn)實(shí)不符傅联，直接使用變量會(huì)影響模型的效果。
類別型變量疚察，也被稱為定性變量（categorical variable）蒸走。它并不是表示數(shù)量上的變化，而是表示類別貌嫡。比如性別比驻、省份、學(xué)歷岛抄、產(chǎn)品等級(jí)等别惦。這類變量的取值通常是用文字而非數(shù)字來表示。比如對(duì)于性別這個(gè)變量夫椭，可能的取值為男掸掸、女。因此要將文字變量轉(zhuǎn)換為數(shù)字變量蹭秋，并且保證對(duì)于轉(zhuǎn)換之后的變量扰付，數(shù)學(xué)運(yùn)算是有意義的，這并不是一件容易的事情仁讨。通常針對(duì)一個(gè)類別型變量羽莺，我們會(huì)用一個(gè)數(shù)字去表示其中的一個(gè)類別，但這樣的轉(zhuǎn)換方法并不能滿足要求：
對(duì)于有序的類別型變量洞豁，比如產(chǎn)品等級(jí)盐固，0表示合格、1表示良好丈挟、2表示優(yōu)秀刁卜。這種情況下，0小于1的確對(duì)應(yīng)著合格等級(jí)次于良好等級(jí)曙咽，但數(shù)字間的四則運(yùn)算就沒有對(duì)應(yīng)意義了蛔趴。數(shù)學(xué)上2減1等于1，但對(duì)于產(chǎn)品等級(jí)桐绒，優(yōu)秀減去良好還等于良好嗎夺脾？
對(duì)于無序的類別型變量，比如對(duì)于省份茉继，0表示北京咧叭、1表示上海、2表示深圳等烁竭。數(shù)字間的大小關(guān)系和四則運(yùn)算都是沒有實(shí)際意義的菲茬。
因此，在模型里直接使用類別型變量是沒有任何道理的，也會(huì)嚴(yán)重影響模型的效果婉弹。由此可見睬魂，不管是數(shù)值型變量還是類別型變量，通常都需要根據(jù)問題場(chǎng)景做相應(yīng)變換后镀赌，再放到模型中使用氯哮。具體的方法將在后續(xù)的文章中（《數(shù)據(jù)科學(xué)中的陷阱II：定性變量的處理》）詳細(xì)討論。
廣告時(shí)間
這篇文章的大部分內(nèi)容參考自我的新書《精通數(shù)據(jù)科學(xué)：從線性回歸到深度學(xué)習(xí)》商佛。
李國(guó)杰院士和韓家煒教授在讀過此書后喉钢，親自為其作序，歡迎大家購(gòu)買良姆。
另外肠虽，與之相關(guān)的免費(fèi)視頻課程請(qǐng)關(guān)注這個(gè)鏈接
