如您所述，通过将名义属性转换为单个数字属性，您隐含地在名义标签上引入排序，这是数据的不良表示，并且可能导致分类器产生不良影响。说 UDP 应该介于 TCP 和 ICMP 之间是否有意义？（不！）想象一下你正在训练一个$k$-NN 模型在这个数据上。说 ICMP 应该比 UDP 离 TCP“更远”是没有意义的，但是如果你采用了你建议的映射，那么数据的表示就会内置这个假设。或者，如果您正在训练基于决策树的模型怎么办？通常，在决策树中，为数字属性选择二进制分割点。您的训练数据中可能存在一些随机性，其中在数字属性的某些值处拆分会导致对噪声的过度拟合。

通常，将名义属性转换为数字时，会为每个名义标签创建一个数字属性。如果设置了相应的标称标签，则每个属性都设置为 1，否则设置为 0。例如，如果名为的名义属性protocol具有标签 { tcp, udp, icmp}，则此数据集：

$$\begin{array}{ccl} \text{inst.} & \text{protocol} & \text{other attributes} \\ \hline 1 & \text{tcp} & \dots \\ 2 & \text{icmp}& \dots \\ 3 & \text{icmp}& \dots \\ \vdots & \vdots & \ddots \end{array}$$

可以转换如下：

$$\begin{array}{ccccl} \text{inst.} & \text{tcp} & \text{udp} & \text{icmp} & \text{other attributes} \\ \hline 1 & 1 & 0 & 0 & \dots \\ 2 & 0 & 0 & 1 & \dots \\ 3 & 0 & 0 & 1 & \dots \\ \vdots & \vdots & \vdots & \vdots & \ddots \\ \end{array}$$

这就是NominalToBinary过滤器在 WEKA 中的作用。正如您所提到的，这样做的缺点是如果不同标称值的数量很高，则可以引入大量附加属性。

如果转换后的维数太高，您可能需要考虑使用降维技术，例如随机投影、PCA、t-SNE 等。注意这会降低模型的可解释性。您还可以使用特征选择技术来删除一些不太有用的属性。某些标称标签可能对您的模型没有用处，您可以通过删除它们来提高性能。您可以尝试的另一件事是使用您的领域知识来减少类别的数量。例如，TCP 和 UDP 都是传输协议，也许对于您的应用程序来说，TCP 和 UDP 之间的区别并不那么重要，您可以使用协议放置实例$\in${ tcp, udp} 进入一个新类别，删除旧类别。

对于具有高基数（即具有大量级别）的分类变量的编码，您可能需要尝试所谓的影响编码。

主要思想非常简单，您只需通过感兴趣的变量（在您的案例中为“协议”）将数据集分成不重叠的桶，并计算每个桶的响应变量的平均值。然后，分类变量的值可以用特定桶的平均值代替。

Avg(response | protocol=”tcp”)

Avg(response | protocol=”icmp”)

Avg(response | protocol=”udp”)

棘手的部分是避免数据泄漏，这可以通过将整个数据集分成几个子集（例如“编码”、“训练”、“验证”……）并仅使用“编码”数据集中的数据作为标称- 到数值的转换。

我从Win-Vector博客和他们的论文中了解到这种方法： vtreat: a data.frameProcessor for Predictive Modeling，我强烈推荐。