我正在尝试构建一个线性回归模型，但我的某些特征不是数值型的，例如“汽车颜色”，而其他特征是数值型的，例如“发动机尺寸”。对于非数值型的情况，我不确定如何在添加为输入特征时表示它们。我能想到的唯一方法是用不同的数值来表示每种颜色，例如（红色=1，蓝色=2，绿色=3…），然而这似乎不可接受，因为这意味着绿色比红色“更好”。

有谁能帮帮我…我是在Java中实现这个的，所以我希望能得到用这种语言表达的算法，或者是语言无关的算法。

回答：

一种方法是使用虚拟编码，另一种技术是效果编码。

请参考这篇文章以获取更多细节，我认为作者的解释比我在这里能做的更好。

回归模型中类别变量的编码：Resmi Gupta的虚拟编码和效果编码

我猜这个解决方案会属于你的语言无关类别 😉

要编码汽车颜色（我假设汽车颜色只能取3个值：红色，蓝色，绿色）

你可以按以下方式编码：

颜色  虚拟变量一  虚拟变量二红色     1             0蓝色     0             1绿色     0             0 

在上表中，绿色将成为参考级别。在你的情况下，如果你的颜色取n个值，你将需要包含n-1个虚拟变量。

在Java中的实现可以在Weka过滤器NominalToBinary中找到，尽管这会为n个类别创建n个变量。