基于信息熵的類別變量的數值化方法

余芳　曹布陽

摘要：無論是學術上還是工程實踐中，數據預處理是整個數據挖掘中最基礎也是最費時的一個環節，其中數據類型的轉換也是重要一環。聚類算法中，旨在將數據集劃分為有意義的簇，簇內高內聚，簇間低耦合，往往是抽象為樣本之間的距離來聚類，因此許多聚類算法都要求樣本集中變量必須是數值型；分類算法中，雖然隨機森林、神經網絡等算法對變量類型的要求并不嚴苛，但是在經典的邏輯回歸算法中，仍需要對數據進行數值化的預處理。該文介紹了一種基于信息論，對樣本變量中類別型變量（categorical variables）進行數值化處理的方法，分別在邏輯回歸和支持向量機兩種機器學習算法中，進行了幾組實驗，對比實驗結果，發現此方法在性能上、應用上都很有優勢。

關鍵詞：信息熵；虛擬變量；邏輯回歸；支持向量機

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2017）36-0193-03

近年來，隨著機器學習和人工智能的發展，大數據在各領域都取得了很多成績。通常，原始數據必須加以處理才能適合于分析。原始數據集中往往既有連續型變量（continuous variables），又包含類別變量。此時，通常要對數據進行數值化處理。

當前，常用是使用虛擬變量（dummy variables）來處理這類問題。虛擬變量經常取值為0，1，-1，但這些取值并不代表數量的大小，僅僅表示不同的類別[1]。雖然引入虛擬變量對問題描述更簡明，但是會使模型變得更復雜。而且如果數據集中這種類別變量過多或是變量的分類過多，這就會造成方程中有一大堆變量，造成所擬合模型的精度大大下降，實際上，有時候基于虛擬變量所構建的模型并沒有多大意義。所以當數據集量級較小時，虛擬變量的效果很好，但是當數據集較大時，虛擬變量的效果并不總是很好。

另外，受到信用評分卡建模的啟發，在二分類問題中，經常先對類別變量進行WOE編碼[2]。但是WOE編碼僅適用于二分類問題，多分類問題并不適用。

本文介紹了一種基于信息熵[3]的數值化方法，不但可以建立分類變量與數值的一一對應，而且適用于多分類問題，在實驗和實際應用中，表現都很好。

1 分類變量的數值化方法

1.1 虛擬變量

在多重回歸和邏輯回歸模型中，通常將分類變量數值化的方法是虛擬變量化。引入虛擬變量，可以將不能夠定量處理的變量數值化，如職業、性別對收入的影響，戰爭、自然災害對GDP的影響等。

虛擬變量經常取值為0，-1，1，但這些取值并不代表數量的大小，僅僅表示不同的類別。定義虛擬變量時，如果變量有k個類別，需定義k-1個虛擬變量來表示這些類別。對于一個有k個類別的變量，即在此分類變量上，有k種取值，此時，引入k-1個虛擬變量[X1，X2，…，Xk-1]，取值如下：

只引入n-1個變量而不是n個變量是由分類變量的“窮舉”和“互斥”原則決定的。知道任意n-1個變量的值就一定可以推出第n個變量的值，而且這樣做降低了模型的共線性。上表中，第一行數值表示，樣本在此變量上的取值為[X1]，第二行數值表示，樣本在此變量上的取值為[X2]，以此類推。

1.2 WOE編碼

WOE編碼的原理：WOE的全稱是“Weight of Evidence”，即證據權重。WOE是對原始自變量的一種編碼形式，在信用評分卡建模中首次被使用，后來經常用于二分類建模中。

要對一個變量進行WOE編碼，首先需要把這個變量進行分組處理（也叫離散化、分箱等）。分組后，對于第i組，WOE的計算公式如下：

[WOEi=lnpyipni=ln （#yi/#yT#ni/#nT）=ln （#yi/#ni#yT/#nT）]

其中，[pyi]是這個組中響應客戶（風險模型中，對應的是違約客戶，總之，指的是模型中預測變量取值為“是”或者說1的個體）占所有樣本中所有響應客戶的比例，[pni]是這個組中未響應客戶占樣本中所有未響應客戶的比例，[#yi]是這個組中響應客戶的數量，[#ni]是這個組中未響應客戶的數量，[#yT]是樣本中所有響應客戶的數量，[#nT]是樣本中所有未響應客戶的數量。

但是WOE在多分類時，不能直接求解，要用one to all 或one to one的方法，組合求解。

1.3 基于信息熵的分類變量數值化方法介紹

1.3.1 信息論簡述

人們常常說信息很多，或者信息較少，但卻很難說清楚信息到底有多少。比如一本五十萬字的中文書到底有多少信息量。直到1948年，香農提出了“信息熵”的概念，才解決了對信息的量化度量問題。信息熵這個詞是C.E.香農從熱力學中借用過來的。熱力學中的熱熵是表示分子狀態混亂程度的物理量。香農用信息熵的概念來描述信源的不確定度。

通常，一個信源發送出什么符號是不確定的，衡量它可以根據其出現的概率來度量。概率大，出現機會多，不確定性??；反之就大。

不確定性函數f是概率P的單調遞降函數；兩個獨立符號所產生的不確定性應等于各自不確定性之和，即[fP1，P2=f（P1）+f（P2）]，這稱為可加性。同時滿足這兩個條件的函數f是對數函數，即

1.3.2 數值化方法

基于信息論的知識，當樣本集中有屬性為分類變量時，就可以用信息熵來將其數值化。

對于樣本容量為N的樣本集，假設類別為k，記作[（y1，y2，…，yk）]，自變量中[xi]為分類變量，此分類變量有j中取值，分別為[（a1，a2，…，aj）]，在這k類上的分布如下：

1.4 數值化實例

以下表中的西瓜數據集為例[4]，該數據集包含17個訓練樣本，其中正樣本8個，負樣本9個，在色澤上的分布詳情，色澤有青綠、烏黑、淺白三種取值。

虛擬變量的方法，變量“色澤”上有3中取值，可以用2個虛擬變量來表示，將原始數據集中色澤變量去除，再添加兩個新變量青綠、烏黑，（青綠=1，烏黑=0）表示色澤為青綠，（青綠=0，烏黑=1）表示色澤為烏黑，（青綠=0，烏黑=0）表示色澤為淺白。

2 對比實驗

2.1 實驗數據

該文中的對比實驗，使用了兩組數據，分別是Adult數據集和Car Evaluation數據集，都是從UCI機器學習數據庫上下載而來的。

Adult數據集是從美國1994年人口普查數據庫抽取而來的，用來預測居民的年收入是否超過5萬美元。目標變量為年收入是否超過5萬美元，屬性變量包含年齡，工種，學歷，職業，種族等，總共14個屬性變量，其中7個為類別變量。

Car Evaluation是一個關于汽車測評的數據集，目標變量為汽車的測評（unacc， acc， good， vgood），屬性變量分別為買入價，維護費，車門數，可容納人數，后備箱大小，安全性。

為了實驗方便，實驗過程中直接刪除有缺失值的樣本。使用交叉驗證對數據進行處理，訓練集和測試集的比例為3：1。

2.2 實驗過程

實驗選取的是邏輯回歸模型和支持向量機模型。

邏輯回歸[5]邏輯回歸的模型 是一個非線性模型，sigmoid函數，又稱邏輯回歸函數。但是它本質上又是一個線性回歸模型，因為除去sigmoid映射函數關系，其他的步驟，算法都是線性回歸的?？梢哉f，邏輯回歸，都是以線性回歸為理論支持的。

支持向量機[6]支持向量機（SVM）是90年代中期發展起來的基于統計學習理論的一種機器學習方法，通過尋求結構化風險最小來提高學習機泛化能力，實現經驗風險和置信范圍的最小化，從而達到在統計樣本量較少的情況下，亦能獲得良好統計規律的目的。通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機的學習策略便是間隔最大化，最終可轉化為一個凸二次規劃問題的求解。

實驗過程：

1） 選定數據集；

2） 將數據集劃分為測試集和訓練集，測試集占33%，訓練集占67%；

3） 分別用各種方法對訓練集、測試集中的類別變量進行數值化；

4） 對訓練集、測試集進行歸一化處理；

5） 分別用相應的機器學習算法對訓練集進行訓練；

6） 訓練后的算法對測試集進行預測；

7） 在測試集上觀測各項衡量指標。

上述實驗都是用python完成的，主要要到python中pandas和sklearn這兩個包。

2.3 實驗結果

評價一個算法的好壞時，通常會考慮查準率（precision）和查全率（recall）。表1是兩個數據集的測試集上的結果。

表1中，用序數代替，是實驗中為了對比任意數值化的結果，用1，2，3…對類別變量賦值的結果。

3 結論與討論

信息熵數值化的優點：

1） 較任意數值化而言，有其統計學上的理論依據。

2） 雖然在邏輯回歸中，其效果僅次于虛擬變量化后的結果，但是虛擬變量有其缺點，如果屬性值上取值過多，虛擬變量后會產生過多的變量，會產生共線性；而且虛擬變量后的數據不能與其他屬性進行求解相關系數，但是信息熵數值化可以。

3） 雖然當前很多算法不要求變量的數據類型，數值化未必需要，但是在特征選擇時，可以數值化后，求變量之間的相關系數，用來選擇變量。

4） 不生成新的變量，便于解釋。

參考文獻：

[1] 李麗霞， 郜艷暉， 張瑛. 啞變量在統計分析中的應用[J]. 數理醫藥學雜志， 2006， 19（1）：51-53.

[2] 黎玉華. 信用評分卡模型的建立[J]. 科技信息， 2010， 37（13）：48-49.

[3] Shannon C E，Weaver W，Wiener N. The mathematical theory of communication[J]. M.d.computing Computers in Medical Practice， 2001， 5： 3-55.

[4] 周志華. 機器學習[M]. 北京： 清華大學出版社， 2016.

[5] 李航. 統計學習方法[M]. 北京： 清華大學出版社， 2014.

[6] Bishop C M. Pattern recognition[J]. Machine Learning， 2006： 128.