數據與特徵
類別特徵與數值特徵（categorical vs numerical features）
/ kat-uh-GOR-ih-kul vurs noo-MAIR-ih-kul FEE-cherz /
在建模之前，你得先弄清每一欄到底是哪一類東西——因為數字和標籤需要用不同的方式處理。第一道大分岔，就是類別型與數值型。類別特徵指出某物屬於哪一組（眼睛顏色、國家、血型）；數值特徵則度量一個你可以對其做算術的量（身高、溫度、價格）。
在每一類裡還有有用的細分。類別特徵可以是名義型（沒有天然次序——顏色、城市），也可以是有序型（有意義的次序但間距不固定——小/中/大，或1到5星的評分）。數值特徵可以是離散的（整數計數——子女數），也可以是連續的（某範圍內的任意取值——體重、時間）。判斷是否數值型的試金石是：把兩個值相加或取平均，說得通嗎？兩個溫度取平均是有意義的；兩個郵遞區號取平均卻是胡言亂語，這就告訴你：郵遞區號其實是類別型，儘管它看起來像個數字。
為何重要：類型決定了處理方式。數值特徵可以縮放；類別特徵則要編碼（名義型用獨熱，有序型用有序整數）。把一個特徵歸錯類——把郵遞區號當數字、或把有序評分當作無序類別——會悄悄給模型餵進關於「距離」和「次序」的錯誤假設，由此得到的模型可能會以一種隱蔽而頑固的方式出錯。
在一份問卷的某一列裡：年齡34（數值型、連續），寵物數2（數值型、離散），最喜歡的顏色「藍」（類別型、名義），五點量表上的滿意度「非常高」（類別型、有序），還有郵遞區號90210——紙面上是個數字，實則是類別型，因為給郵遞區號取平均毫無意義。
五個欄，四種類型組合——還有一個暗地裡是類別的數字。
陷阱在於那些「看著是數字、其實不是」的欄：郵遞區號、商品ID、電話號碼、當作標籤用的年份。如果把兩個值取平均毫無意義，那無論它長得多像數字，都該當類別特徵來對待。
又稱
另見