原理阐述
- 当我们有一个包含
n
n
n个类别的分类变量时，哑变量会创建
n
n
n个新的变量（也就是哑变量）。对于每个样本，在这
n
n
n个新变量中，只有一个变量的值为1，其余
n
−
1
n - 1
n−1个变量的值为0，这个为1的变量就代表了该样本所属的类别。例如，对于“性别”这个分类变量（有男、女两个类别），会创建两个哑变量，假设为“性别_男”和“性别_女”。如果一个样本是男性，那么“性别_男”这个哑变量的值为1，“性别_女”的值为0；反之，女性样本对应的“性别_女”为1，“性别_男”为0。
应用场景
- 在回归分析中被广泛使用。比如在线性回归模型中，如果直接将分类变量（如职业类别）放入模型，模型会错误地假设类别之间存在一种数量上的关系（比如把职业类别用数字1、2、3等来表示，模型可能会认为3对应的职业类别在数值上是1对应的职业类别的3倍）。而使用哑变量可以避免这种错误的假设，正确地处理分类变量对因变量的影响。
- 在逻辑回归用于分类问题时，如预测贷款是否违约，对于像“贷款渠道”这种分类变量，将其转换为哑变量后放入模型，能够更好地捕捉不同贷款渠道与违约概率之间的关系。
与其他编码方式对比
- 与标签编码（Label Encoding）不同，标签编码是将分类变量的类别转换为整数，会引入类别之间的顺序关系，而哑变量不存在这种顺序关系，更适合没有自然顺序的分类变量。例如，对于“颜色”分类变量（红、绿、蓝），使用标签编码可能会让模型误解为红<绿<蓝这种顺序关系，而哑变量则不会。
- 相比二进制编码（Binary Encoding），哑变量在类别数量较少时更直观。二进制编码更侧重于高效地利用二进制来表示较多的类别，当类别数较少时，哑变量能更直接地展示每个类别是否出现的情况。例如，对于只有3个类别的变量，哑变量可以很清晰地用3个变量表示每个类别，而二进制编码可能会因为编码转换过程稍显复杂而不太直观。