Chuẩn hoá đặc trưng và mã hoá biến hạng mục (Feature Scaling & Encoding)

Chuẩn hoá đặc trưng và mã hoá biến hạng mục

Mô hình chỉ ăn số. Bài này lo hai việc: đưa các cột số về cùng thang, và biến các cột chữ thành số.

Vì sao phải chuẩn hoá thang đo

Giả sử dự đoán giá nhà từ hai đặc trưng:

Đặc trưng	Khoảng giá trị
Diện tích (m²)	30 – 200
Số phòng ngủ	1 – 5

Với thuật toán tính khoảng cách (KNN, SVM) hoặc dùng gradient descent, cột diện tích sẽ áp đảo cột số phòng chỉ vì con số của nó lớn hơn — chứ không phải vì nó quan trọng hơn.

Hai phép chuẩn hoá

Normalization (Min-Max) — ép về đoạn [0, 1]:

x_new = (x − x_min) / (x_max − x_min)

Standardization (z-score) — đưa về trung bình 0, độ lệch chuẩn 1:

x_new = (x − mean) / std

	Min-Max	z-score
Khoảng kết quả	Cố định [0, 1]	Không giới hạn
Nhạy với ngoại lai	Rất nhạy — một giá trị cực lớn ép hết phần còn lại về gần 0	Ít nhạy hơn
Hợp khi	Biết rõ biên trên/dưới, dữ liệu sạch	Có ngoại lai, phân phối gần chuẩn

from sklearn.preprocessing import StandardScaler, MinMaxScaler
scaler = StandardScaler()
x_train = scaler.fit_transform(x_train)   # học mean/std TỪ train
x_test  = scaler.transform(x_test)        # áp cùng mean/std đó lên test

Mã hoá biến hạng mục

One-hot encoding cho biến nominal (không thứ tự) — mỗi hạng mục thành một cột 0/1:

data = pd.get_dummies(data, columns=["city"])
# city → city_Hanoi, city_HCM, city_Hue

Ordinal encoding cho biến có thứ tự — giữ lại quan hệ lớn/nhỏ:

size_map = {"S": 0, "M": 1, "L": 2}
data["size"] = data["size"].map(size_map)

Lỗi thường gặp nhất

Gán số cho biến nominal. Nếu mã Hà Nội = 1, TP.HCM = 2, Huế = 3, mô hình sẽ hiểu rằng Huế > TP.HCM > Hà Nội và khoảng cách Hà Nội–Huế gấp đôi Hà Nội–TP.HCM. Đó là quan hệ hoàn toàn bịa ra. Với biến không thứ tự, phải dùng one-hot.