数据与特征
类别特征与数值特征（categorical vs numerical features）
/ kat-uh-GOR-ih-kul vurs noo-MAIR-ih-kul FEE-cherz /
在建模之前，你得先弄清每一列到底是哪一类东西——因为数字和标签需要用不同的方式处理。第一道大分岔，就是类别型与数值型。类别特征指出某物属于哪一组（眼睛颜色、国家、血型）；数值特征则度量一个你可以对其做算术的量（身高、温度、价格）。
在每一类里还有有用的细分。类别特征可以是名义型（没有天然次序——颜色、城市），也可以是有序型（有意义的次序但间距不固定——小/中/大，或1到5星的评分）。数值特征可以是离散的（整数计数——子女数），也可以是连续的（某范围内的任意取值——体重、时间）。判断是否数值型的试金石是：把两个值相加或取平均，说得通吗？两个温度取平均是有意义的；两个邮政编码取平均却是胡言乱语，这就告诉你：邮政编码其实是类别型，尽管它看起来像个数字。
为何重要：类型决定了处理方式。数值特征可以缩放；类别特征则要编码（名义型用独热，有序型用有序整数）。把一个特征归错类——把邮编当数字、或把有序评分当作无序类别——会悄悄给模型喂进关于「距离」和「次序」的错误假设，由此得到的模型可能会以一种隐蔽而顽固的方式出错。
在一份问卷的某一行里：年龄34（数值型、连续），宠物数2（数值型、离散），最喜欢的颜色「蓝」（类别型、名义），五点量表上的满意度「非常高」（类别型、有序），还有邮编90210——纸面上是个数字，实则是类别型，因为给邮编取平均毫无意义。
五个列，四种类型组合——还有一个暗地里是类别的数字。
陷阱在于那些「看着是数字、其实不是」的列：邮编、商品ID、电话号码、当作标签用的年份。如果把两个值取平均毫无意义，那无论它长得多像数字，都该当类别特征来对待。
又称
另见