- 根据类别特征的意义进行合并（分桶）
- 将类别按频次排序，频次特别低的一部分合并
- 特征哈希
- PCA降维
- 按照该特征对应目标值进行合并
- 使用每个分类对应目标变量均值+偏差，或出现频数代替
-如果测试集中存在训练集没有的样本，需要考虑补缺策略？
不把自身的label算进去(leave-me-out, leave-one-out)统计， 防止信息泄露
- 考虑平均数编码（高基数类别特征）
- Embedding
将离散型特征进行one-hot编码的作用，是为了让距离计算更合理，但如果特征是离散的，并且不用one-hot编码就可以很合理的计算出距离，那么就没必要进行one-hot编码。 有些基于树的算法在处理变量时，并不是基于向量空间度量，数值只是个类别符号，即没有偏序关系，所以不用进行独热编码。 Tree Model不太需要one-hot编码： 对于决策树来说，one-hot的本质是增加树的深度。
LR是适合使用ID类特征的，原因在于LR适合接受超高维度的特征输入。
OneHotEncoder独热编码和 LabelEncoder标签编码
分类变量，进行One hot编码，维度升高，如何处理？
hashing trick或者feature hashing是什么
类别型特征的处理方法与平均数编码
How to deal with Features having high cardinality
机器学习中如何利用id类特征？
https://www.zhihu.com/question/266195966
