前言

————————————————————————————————————————

在機器學習算法中，我們經常會遇到分類特征，例如：人的性別有男女，祖國有中國，美國，法國等。

那什麽是特征數字化呢？例子如下：

• 性別特征：["男"，"女"]

• 祖國特征：["中國"，"美國，"法國"]

• 運動特征：["足球"，"籃球"，"羽毛球"，"乒乓球"]

假如某個樣本（某個人），他的特征是這樣的["男","中國","乒乓球"]，我們可以用 [0,0,4] 來表示，但是這樣的特征處理並不能直接放入機器學習算法中。因為類別之間是無序的（運動數據就是任意排序的）。

什麽是獨熱編碼（One-Hot）？

————————————————————————————————————————

One-Hot編碼，又稱為一位有效編碼，主要是采用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，並且在任意時候只有一位有效。

One-Hot編碼是分類變量作為二進制向量的表示。這首先要求將分類值映射到整數值。然後，每個整數值被表示為二進制向量，除了整數的索引之外，它都是零值，它被標記為1。

One-Hot實際案例

————————————————————————————————————————

就拿上面的例子來說吧，性別特征：["男","女"]，按照N位狀態寄存器來對N個狀態進行編碼的原理，咱們處理後應該是這樣的（這裏只有兩個特征，所以N=2）：

男 => 10

女 => 01

祖國特征：["中國"，"美國，"法國"]（這裏N=3）：

中國 => 100

美國 => 010

法國 => 001

運動特征：["足球"，"籃球"，"羽毛球"，"乒乓球"]（這裏N=4）：

足球 => 1000

籃球 => 0100

羽毛球 => 0010

乒乓球 => 0001

所以，當一個樣本為["男","中國","乒乓球"]的時候，完整的特征數字化的結果為：

[1，0，1，0，0，0，0，0，1]

下圖可能會更好理解：

One-Hot在python中的使用

————————————————————————————————————————

結果為 1 0 0 1 0 0 0 0 1

為什麽使用one-hot編碼來處理離散型特征?

————————————————————————————————————————

在回歸，分類，聚類等機器學習算法中，特征之間距離的計算或相似度的計算是非常重要的，而我們常用的距離或相似度的計算都是在歐式空間的相似度計算，計算余弦相似性，基於的就是歐式空間。

而我們使用one-hot編碼，將離散特征的取值擴展到了歐式空間，離散特征的某個取值就對應歐式空間的某個點。

將離散型特征使用one-hot編碼，確實會讓特征之間的距離計算更加合理。

比如，有一個離散型特征，代表工作類型，該離散型特征，共有三個取值，不使用one-hot編碼，其表示分別是x_1 = (1), x_2 = (2), x_3 = (3)。兩個工作之間的距離是，(x_1, x_2) = 1, d(x_2, x_3) = 1, d(x_1, x_3) = 2。那麽x_1和x_3工作之間就越不相似嗎？顯然這樣的表示，計算出來的特征的距離是不合理。那如果使用one-hot編碼，則得到x_1 = (1, 0, 0), x_2 = (0, 1, 0), x_3 = (0, 0, 1)，那麽兩個工作之間的距離就都是sqrt(2).即每兩個工作之間的距離是一樣的，顯得更合理。

不需要使用one-hot編碼來處理的情況

————————————————————————————————————————

將離散型特征進行one-hot編碼的作用，是為了讓距離計算更合理，但如果特征是離散的，並且不用one-hot編碼就可以很合理的計算出距離，那麽就沒必要進行one-hot編碼。

比如，該離散特征共有1000個取值，我們分成兩組，分別是400和600,兩個小組之間的距離有合適的定義，組內的距離也有合適的定義，那就沒必要用one-hot 編碼。

離散特征進行one-hot編碼後，編碼後的特征，其實每一維度的特征都可以看做是連續的特征。就可以跟對連續型特征的歸一化方法一樣，對每一維特征進行歸一化。比如歸一化到[-1,1]或歸一化到均值為0,方差為1。

One-Hot編碼(轉)