本文探讨了在使用线性分类器如LR时，通过特征离散化（one-hot编码）来解决非线性特征问题。通过举例说明，当决策面为y=x^2时，原始线性模型无法有效拟合。通过将x离散化成多个0/1特征，新的线性模型可以更好地逼近决策面，从而提高模型的拟合能力。
在实际工作中，需要使用譬如LR这种线性分类器的时候，往往需要将特征离散化成0/1特征，之后再进行模型训练。
下面举例说明原因：
我们假设决策面为y=x^2，且模型是只具有一维特征x的线性模型,即模型的表达形式为：y=kx+b，如下图所示：
显然，模型不能很好地拟合决策面，那么，假如将x离散化成多个0/1特征(one-hot编码)：
0<x<=s1 x1=1,else=0
s1<x<=s2 x2=1,else=0
s2<x<=s3 x3=1,
特征离散化解决非线性特征问题
最新推荐文章于 2023-09-21 15:33:19 发布
最低0.47元/天 解锁文章
扫一扫
39
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
