我有一个仅包含 3 列的制造数据集。
Column 1. WorkStationID
Column 2. ProductID
Column 3. Error(1 or 0)
我试图将错误（1 或 0）预测为分类问题。但是有 50 个唯一的工作站和 130 个唯一的产品 ID，所以当我将它们转换为虚拟变量时，数据框变得巨大。
所以，我的问题是，降维技术是否适合虚拟变量？实际上，我只有 2 个变量（工作站和产品）听起来不需要做任何减少。或者任何特征重要性技术都适合？如果它表明 5 个不同的工作站无用，这是什么意思？
提前致谢
如果您不想要太多的虚拟变量，需要考虑的一件事是二进制编码。在许多情况下，当我遇到此类问题时，我选择了二进制编码，并且大多数情况下效果都很好，因此也许值得您一试。
想象一下，你有 9 个特征，将它们从 1 标记到 9，然后对它们进行二进制编码，你将得到：
cat 1 - 0 0 0 1
cat 2 - 0 0 1 0
cat 3 - 0 0 1 1
cat 4 - 0 1 0 0
cat 5 - 0 1 0 1
cat 6 - 0 1 1 0
cat 7 - 0 1 1 1
cat 8 - 1 0 0 0
cat 9 - 1 0 0 1
在您的情况下，如果您有 50 个工作站，则可以将 49 个功能（一个热门）减少到 6 个功能（二进制编码，因为 2 次方 6 是 64）。
完成此操作后，您还可以试用 Will Koehrsen 的特征选择器库。您可以绘制特征重要性图，看看您是否可以进一步摆脱那些不会为您的预测增加价值的特征。可能你可以从 6 个减少到更少的变量。
它通常会给出一个漂亮的条形图，帮助可视化不同特征的重要性，并让我们进一步研究这些特征。
