二进制大小写

如果您希望您的特征是二进制的，分类（resp. real）值的良好表示是一种热（resp. thermometer）编码。你不需要标准化它们。

对于分类特征的单一热编码，您只需为每个类保留一位。因此，此编码的长度就是您的特征的类别数。让我们以你的国家为例，

• 00001 代表美国
• 00010 代表英国
• 00100 代表亚洲
• 01000 代表欧洲
• 10000 其他

对于实数/整数特征的温度计编码，您必须选择长度和阈值。对于您的年龄示例，您选择根据阈值 18,25 和 35 拆分年龄。编码将是

• 000 代表 0-17
• 001 代表 18-25
• 011 代表 25-34
• 35岁以上111

将两者放在一起，您将在此处获得大小为 5+3=8 位的编码。对于一个 30 岁的英国居民，我们有

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0}^{UK}\cdot \overbrace{0 \cdot 1 \cdot 1 }^{30yo}$$

连续案例

如果您的回归模型允许，您应该更喜欢为包含更多信息的实数/整数特征保留实值。让我们重新考虑您的示例。这次我们简单地将年龄的值设为整数。因此，30 岁英国居民的编码是

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0 }^{UK}\cdot \overbrace{30 }^{30yo}$$

正如 BGreene 所说，您应该对该值进行归一化以保持平均值为 0 和标准差为 1，从而确保许多回归模型的稳定性。为此，只需减去经验平均值并除以经验标准差。

Y_normalized = ( Y - mean(Y) ) / std(Y)

如果您的数据库中所有人的所有年龄的平均值为 25，其标准差为 10，则为 30 岁的归一化值。person 将是，导致表示 $(30-25)/10 = 0.5$

$$\overbrace{0 \cdot 0 \cdot 0 \cdot 1 \cdot 0}^{UK}\cdot \overbrace{0.5 }^{30yo}$$