虚拟变量和独热编码的区别（Difference of Dummy Variable & One Hot Encoding）

在《定量变量和定性变量的转换（Transform of Quantitative & Qualitative Variables）》一文中，我们可以看到虚拟变量（Dummy Variable）与独热编码（ One Hot Encoding）非常相似，其不同之处在于：在虚拟编码方案中，当特征具有 m 个不同类别标签时，我们将得到 m-1 个二进制特征，作为基准的特征被完全忽略；而在独热编码方案中，我们将得到 m 个二进制特征。

 

可以看到，独热编码（ One Hot Encoding）比虚拟变量（Dummy Variable）多生成了一个变量，这对模型有什么影响呢？之前在《虚拟变量陷阱（Dummy Variable Trap）》一文中，我们阐述了使用独热编码会导致共线性问题，也就是自变量之间存在高度相关关系，从而使模型参数估计不准确。（另外，独热编码的截距表示均值，回归系数是与均值之间的差距；而虚拟变量的截距是参照类的值，回归系数表示与参照类的差距。）因此，如果线性模型有截距项，那么请使用虚拟变量；如果线性模型无截距项，那么使用独热编码。此外，如果线性模型有截距项，但在加了正则化之后，也可以使用独热编码，因为这相当于约束了 w 的解的空间。

（注：为了模型稳定性的缘故，线性模型通常都是要有截距项的。）

 

除此之外，虚拟变量（Dummy Variable）与独热编码（ One Hot Encoding）之间还有什么区别呢？1，如果有N个特征，已知前N-1个特征的特征值之后，第N个特征的特征值也就知道了，因此独热编码有冗余，虚拟变量没有冗余；2，独热编码可以直接从激活状态看出所对应的类别，而虚拟变量需要进行推论，因此独热编码比较直观，虚拟变量没有那么直观。

 

总结：如果使用正则化，那么推荐使用独热编码，因为regularization能够处理多余的自由度，使用正则化手段去约束参数，同时类别型变量的各个值的地位是对等的。如果不使用正则化，那么使用虚拟变量（这样多余的自由度都被统摄到截距项intercept里去了）。

 

参考：https://www.cnblogs.com/lianyingteng/p/7792693.html