根据这个网站 (http://www.statsmodels.org/dev/contrasts.html点击此处查看链接) 的定义，后向差分编码的定义是 ‘在后向差分编码中，一个层次的因变量的均值与前一个层次的因变量的均值进行比较。这种编码方式对于名义变量或顺序变量可能是有用的。‘

我不理解的是，如果这种编码方法依赖于因变量（如果我理解正确的话，因变量和输出变量是同一事物），那么当模型提前没有给出因变量时，我们如何在测试集中执行后向差分编码？在训练集中，因变量的值是已知的，但在测试集中它们是未知的。有人能提供建议吗？

回答：

这种方法只是对分类变量进行影响编码。

如果你的分类列有类别 {C1,C2,C3,…}，那么影响编码的做法如下：

                         Impact(category = Ci) = E[y|Ci] - E[y]

在训练过程中，对于每个类别 (Ci)，它计算该类别下的输出均值（即后验值）与因变量的整体期望值（即先验值）之间的差异。关于影响编码的更多参考，你可以查阅这篇论文 https://arxiv.org/abs/1611.09477v3（第10页）

在测试阶段，为了将测试数据的分类变量转换为其影响编码，它使用与训练数据相同的 ‘y’ 的期望值。由于这是期望值，因此即使训练数据的样本数比测试数据多（只要两个数据集中 ‘y’ 的分布相似），这也没有关系。