我想为泰坦尼克号数据集（Kaggle竞赛）创建反向传播算法。
这很容易做到，但我有一个问题。反向传播算法是关于数字的。但泰坦尼克号数据集中有字符串类型。例如，
我们有“Sex”列（男性或女性），还有“Embarked”列（S、C或Q）。我不会使用“Name”和“Ticket”列。我不知道如何处理“Sex”和“Embarked”列。如何将这些数据用于反向传播算法？
我的解决方案想法我想可以用数字int=1表示男性，用数字int=2表示女性。同样，我可以用数字1表示S，2表示C，3表示Q。
你觉得我的想法怎么样？我如何为泰坦尼克号数据集创建反向传播算法？（也许我的想法不是很好）。
回答：
我的解决方案想法我想可以用数字int=1表示男性，用数字int=2表示女性。同样，我可以用数字1表示S，2表示C，3表示Q。
这几乎是正确的。对于只有两个值的特征，使用0和1编码是可以的。然而，如果你有超过两个可能值的分类特征，你永远不应该将它们编码为单一数字。这种编码只能用于有序特征，意思是，尽管它们“不是数字”，但它们是有顺序的。例如，如果你有“小、中、大”，你可以将它们编码为1、2、3，但如果你的值完全无法排序，你应该使用独热编码，这意味着具有K个可能值的东西在你的表示中变成K位，你只需在一个给定位置放置1（导致（红色、蓝色、绿色）被编码为[1 0 0]、[0 1 0]、[0 0 1]）。
如果你不遵循这条规则会发生什么？假设你的特征是一个名字，你有四个可能性“James、Mark、Eve、Kate”，你将它们编码为1、2、3、4。那么，如果你的模型学到James和Eve得分高，而Kate得分低，它会（或者至少有相当大的概率会）推断Mark的得分也高，因为从模型的角度来看，没有名字，只有任意特征，有人值为1是好的，值为3是好的，值为4是坏的，所以假设“2”也是好的，这是一个合理的推理。请注意，这只是编码的结果，如果你只是以不同的顺序排列名字 – 你会得到不同的结果。使用独热编码就不会发生这种情况。
这通常是在机器学习中所做的，如果你想使用仅在R^d空间上定义的方法。当然，如果你对特征了解更多，有时可以想出更好的编码方式，例如颜色可以分解为它们的RGB表示，因此你可以直接编码红色、橙色和黄色之间的相似性。一般来说 – 独热编码是最安全的方法，任何其他方法都会引入一些假设，这些假设可能会误导你的模型（如果它们是错误的）。
