第24课 - 编码与缩放 | 机器学习从零到实战

1. 类别编码

One-Hot: 不引入序关系，但高基数→维度爆炸。标签编码: 有序类别(差→优)。

目标编码: 用类别目标均值替代(需CV内计算防泄露)。频率编码: 用出现频率。

树模型→标签/目标编码效果好。线性模型→One-Hot安全。

2. 数值缩放

方法	异常值	输出
StandardScaler	敏感	无界
MinMaxScaler	极敏感	[0,1]
RobustScaler	稳健	无界
MaxAbsScaler	敏感	[-1,1]

不需要缩放: 决策树、随机森林

3. Pipeline最佳实践

数据泄露: 必须只在训练集fit scaler→Scikit-learn Pipeline自动处理。

ColumnTransformer: 对不同列应用不同变换。

Python代码实现与验证

💡 代码说明：以下代码使用 Python / Scikit-learn 实现，已实机运行验证。

完整代码


import numpy as np
from sklearn.preprocessing import StandardScaler, MinMaxScaler, RobustScaler, OneHotEncoder, OrdinalEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
np.random.seed(42)

X = np.random.randn(100,3)*[10,1,100]+[50,0,-200]
print("=== 缩放对比 ===")
for name,sc in [('Standard',StandardScaler()),('MinMax',MinMaxScaler()),('Robust',RobustScaler())]:
    Xs = sc.fit_transform(X)
    print("{}: mean={} std={}".format(name, Xs.mean(0).round(3), Xs.std(0).round(3)))

X_out = np.vstack([X,[[500,500,500]]])
print("\n=== 异常值影响 ===")
for name,sc in [('Standard',StandardScaler()),('MinMax',MinMaxScaler()),('Robust',RobustScaler())]:
    Xs = sc.fit_transform(X_out)[:-1]
    print("{}: mean={}".format(name, Xs.mean(0).round(3)))

print("\n=== 类别编码 ===")
oe = OrdinalEncoder(categories=[['差','中','良','优']])
data = np.array([['差'],['良'],['中'],['优'],['差']])
print("序数编码: {}".format(oe.fit_transform(data).ravel()))

ohe = OneHotEncoder(sparse_output=False)
dm = np.array([['A','X'],['B','Y'],['A','Z']])
enc = ohe.fit_transform(dm)
print("One-Hot: shape={} features={}".format(enc.shape, list(ohe.get_feature_names_out())))

iris = load_iris()
pipe = Pipeline([('s',StandardScaler()),('lr',LogisticRegression(max_iter=200))])
s = cross_val_score(pipe, iris.data, iris.target, cv=5)
print("\nPipeline CV: {:.4f}".format(s.mean()))

运行结果

=== 缩放对比 === Standard: mean=[0. 0. 0.] std=[1. 1. 1.] MinMax: mean=[0.499 0.55 0.416] std=[0.2 0.175 0.171] Robust: mean=[-0.114 0.033 -0.027] std=[0.836 0.712 0.751] === 异常值影响 === Standard: mean=[-0.098 -0.1 -0.053] MinMax: mean=[0.044 0.006 0.28 ] Robust: mean=[-0.118 0.029 -0.037] === 类别编码 === 序数编码: [0. 2. 1. 3. 0.] One-Hot: shape=(3, 5) features=['x0_A', 'x0_B', 'x1_X', 'x1_Y', 'x1_Z'] Pipeline CV: 0.9600

✅ 验证通过

深入理解：特征工程的精髓

"特征工程是决定模型上限的关键"

业界共识：好的特征工程比好的模型更重要。一个线性模型配上优秀特征可以超越复杂模型配普通特征。

特征工程流程

理解业务：领域知识是最好的特征来源
EDA发现：从数据中发现模式→构造特征
变换：对数/Box-Cox处理偏态，分箱处理非线性
编码：类别→数值，选择合适编码方式
缩放：数值特征标准化/归一化
选择：删除无关/冗余特征
验证：交叉验证评估特征贡献

Kaggle竞赛中的特征工程技巧

目标编码：高基数类别特征的杀手锏（需防泄露）
交叉特征：两个特征的组合可能产生强信号
聚合特征：按组统计（均值/标准差/排名）
时间特征：周期编码(sin/cos)保持连续性
计数特征：出现频率/缺失次数
差分特征：当前值与历史均值的偏差

常见特征工程错误

数据泄露：在特征构造中使用了未来信息
目标泄露：特征中包含了目标变量的信息
过拟合特征：在训练集上有效但测试集失效
忽略缺失模式：缺失本身可能是有价值的特征
不验证：没有用交叉验证确认特征的实际贡献

进阶特征工程技巧

Kaggle竞赛中的特征工程

在Kaggle竞赛中，特征工程是区分Top 1%和Top 10%的关键。以下是从顶级选手那里学到的技巧：

聚合特征：对时序数据，按实体ID聚合历史行为的统计量——均值、标准差、最小最大、趋势斜率、最近N次的均值变化。这些"在用户层面的历史摘要"往往是最强特征。

目标编码：高基数类别特征(如城市名2000+类)的杀手锏。关键：必须在5折CV内计算，使用平滑参数防止小样本类别不稳定。公式：enc = (count*mean + m*global_mean)/(count+m)，m通常取10-100。

比率特征：两个相关特征的比值常常比原始特征更有信息量。贷款金额/年收入、月供/月收入、信用额度使用率等。这些比率捕捉了"相对"而非"绝对"信息。

数据泄露防范完整清单

目标泄露：特征包含目标信息——检查每个特征与目标的互信息
时间泄露：用了未来数据——特征构造时只用截止时间前的数据
组泄露：同组数据分布在训练和测试集——使用GroupKFold
预处理泄露：全数据fit scaler——用Pipeline自动处理
特征选择泄露：在CV外选特征——特征选择必须在CV内

缺失值处理策略决策树

缺失率>50% → 考虑删除特征，但添加缺失指示列
MCAR(完全随机缺失) → 均值/中位数填充即可
MAR(与已观测变量相关) → MICE/KNN填充
MNAR(与缺失值本身相关) → 添加指示列+敏感性分析
模型内置 → XGBoost/LightGBM可原生处理缺失值

交叉验证的常见错误

错误的交叉验证比没有交叉验证更危险——它给你虚假的信心。

在CV外做特征选择 → 所有折都"看到"了测试数据
时间序列数据用K-Fold → 未来数据泄露到训练集
同用户数据跨越训练和验证 → 过于乐观的估计
超参数调优后"验证" → 测试集已成为验证集
不固定随机种子 → 结果不可复现

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

补充：关键概念与面试要点

核心直觉

正则化 = 给模型加"约束"，防止过度拟合噪声
交叉验证 = "用数据的不同部分反复检验模型"
特征选择 = "选择携带最多目标信息的特征"
集成学习 = "三个臭皮匠顶个诸葛亮"
降维 = "抓住主要矛盾"

常见面试问题

L1正则化为什么产生稀疏解？（几何：菱形与等高线在角上相交）
逻辑回归为什么用交叉熵而不用MSE？（MSE导致梯度消失）
随机森林为什么不容易过拟合？（Bagging降方差，特征随机降相关性）
K-Means为什么收敛到局部最优？（目标函数非凸）
PCA为什么需要中心化？（否则第一主成分指向均值方向）

📝 课后练习

实现本课核心算法并用Scikit-learn验证
调优关键超参数并记录性能变化
用交叉验证评估模型稳定性
与之前学过的方法对比分析
分析本课方法的失效条件

🔤

编码专家

掌握类别编码和数值缩放的最佳实践