- 根據(jù)類別特征的意義進行合并（分桶）
- 將類別按頻次排序，頻次特別低的一部分合并
- 特征哈希
- PCA降維
- 按照該特征對應(yīng)目標值進行合并
- 使用每個分類對應(yīng)目標變量均值+偏差，或出現(xiàn)頻數(shù)代替
-如果測試集中存在訓練集沒有的樣本，需要考慮補缺策略？
不把自身的label算進去(leave-me-out, leave-one-out)統(tǒng)計， 防止信息泄露
- 考慮平均數(shù)編碼（高基數(shù)類別特征）
- Embedding
將離散型特征進行one-hot編碼的作用，是為了讓距離計算更合理，但如果特征是離散的，并且不用one-hot編碼就可以很合理的計算出距離，那么就沒必要進行one-hot編碼。 有些基于樹的算法在處理變量時，并不是基于向量空間度量，數(shù)值只是個類別符號，即沒有偏序關(guān)系，所以不用進行獨熱編碼。 Tree Model不太需要one-hot編碼： 對于決策樹來說，one-hot的本質(zhì)是增加樹的深度。
LR是適合使用ID類特征的，原因在于LR適合接受超高維度的特征輸入。
OneHotEncoder獨熱編碼和 LabelEncoder標簽編碼
分類變量，進行One hot編碼，維度升高，如何處理？
hashing trick或者feature hashing是什么
類別型特征的處理方法與平均數(shù)編碼
How to deal with Features having high cardinality
機器學習中如何利用id類特征？
https://www.zhihu.com/question/266195966
