哑变量
本主题将介绍虚拟变量，描述如何在软件分类和回归问题创建它们，并展示了如何您可以通过使用创建虚拟变量dummyvar功能。
什么是虚拟变量？
当您执行分类和回归分析，您经常需要包括连续（定量）和分类（定性）预测变量。分类变量不能被包括作为数字数组。数字阵列具有顺序和幅度。分类变量可以具有顺序（例如，一个定序变量），但它不具有幅度。使用数字阵列意味着类别之间已知的“距离”。适当的办法，包括分类预测是虚拟变量。要定义虚拟变量，即具有值0和1使用指示器变量。
该软件选三种方案中的一个来定义基于分析的类型虚拟变量，如在接下来的章节中描述。例如，假设你有三个类别分类变量：小，介质和大。
全虚拟变量
表示分类变量与使用三个虚拟变量，对于每个电平一个可变三类。
X0是具有值1的用于虚拟变量小，否则为0。X1是具有值1的用于虚拟变量介质，否则为0。X2是具有值1的用于虚拟变量大，否则为0。
哑变量：参照组
表示分类变量使用两个虚拟变量与参考组三类。
你能辨别小，介质和大只使用X1和X2无X0。为观察小有两个虚拟变量0。由全0代表的类别是参照组。
虚拟变量为有序分类变量：参照组
假设类的数学排序小<介质<大。为了指示排序，使用更高类别的更多1S。
X1是具有值1的用于虚拟变量介质和大; 0小。X2是具有值1的用于虚拟变量大，否则为0。
您可以表明一个明确的变量是使用数学排序“序”的名称 - 值对参数明确的功能。
创建虚拟变量
虚拟变量自动生成
统计和机器学习工具箱™提供了多种分类和回归拟合函数接受分类预测。
以下是拟合函数识别分类预测的默认行为。
如果预测数据是在一个表中，则所述功能假设变量是分类，如果它是一个逻辑向量，分类矢量，字符数组，字符串数组，或字符向量的单元阵列。拟合函数是利用决策树假设有序分类向量是连续的变量。
如果预测数据是矩阵，所述功能假设所有预测是连续的。
要确定任何其他预测作为分类预测，指定它们通过使用'CategoricalPredictors'要么'CategoricalVars'名称 - 值对的参数。
拟合函数处理标识分类预测如下：
fitcsvm，fitrgp和fitrsvm使用两种不同的方案来创建虚拟变量，取决于分类变量是否为无序或有序。对于一个无序分类变量，该函数使用全虚拟变量。
对于有序分类变量，函数使用虚拟变量为有序分类变量：参照组。
参数回归拟合函数如
fitlm和fitglm采用哑变量：参照组。当功能包括虚拟变量，伪变量的估计系数是相对于参照组。对于一个示例，请参见线性回归与分类预测。fitlme和fitglme允许您指定使用创建虚拟变量的方案'DummyVarCoding'名称 - 值对的参数。该功能支持金宝app全虚拟变量（'DummyVarCoding'， '全'）和哑变量：参照组（'DummyVarCoding'， '参考'）。您还可以指定'DummyVarCoding'， '效果'从而使虚拟变量的估计系数总和为0。注意，这两个功能不提供用于指定分类变量的名称 - 值对参数。接受分类预测其他拟合函数使用，可以处理分类预测，而无需创建虚拟变量算法。
虚拟变量手动创建
这个例子展示了如何通过创建自己的虚拟变量的设计矩阵dummyvar功能。该函数接受分组变量和返回包含零和一，它的列是用于分组变量虚拟变量的矩阵。
创建分类数据指定性别的一个列向量。
性别分类=（{'男';'女';'女';'男';'女'}）;
创建虚拟变量性别。
DV = dummyvar（性别）
DV =5×20 1 1 0 1 0 0 1 1 0
DV具有对应于行的数量五排性别两列的独特群体，女和男。列顺序对应级别的顺序性别。对于分类阵列，默认顺序是升序字母。您可以通过查看订单类别功能。
类别（性别）
ANS =2×1单元{'女性男性' }
要在回归模型中使用的虚拟变量，则必须删除列（创建一个参照组）或适合回归模型没有截距项。对于性别的例子，你只需要一个虚拟变量来代表两种性别。请注意，如果你添加一个截距项的完整设计矩阵发生了什么DV。
X = [一（5,1）DV]
X =5×31 0 1 1 1 0 1 1 0 1 0 1 1 1 0
秩（X）
ANS = 2
与截距项的设计矩阵不是满秩的，不可逆的。由于这种线性相关的，只使用C- 1个指标变量来表示一个分类变量与C类别在回归模型截距项。
也可以看看
相关话题
您还可以选择从下面的列表中的网站：
