Onehot encoding详解
在机器学习任务中,特征并不总是连续值,有可能是分类值。
如现有以下特征值:
[["male", "female"],
["EU", "US", "Asia"],
["firefox", "chrome", "safari", "edge"]]
则特征:[“male”, “US”, “edge”]可用数字表示为:[1,2,3]
但转化为数字后,上述数据并不能直接用于分类器,因为分类器往往默认数据为连续、有序的,而上述数字并不有序。
故,为解决上述问题,可以使用onehot encoding。
Onehot encoding
使用N位状态寄存器来对N个状态进行编码,每个状态都有其独立的寄存器位,并且在任何时候,只有一位有效。
例如:
自然状态码为:000,001,010,011,100,101
独热编码为:000001,000010,000100,001000,010000,100000
对于每一个特征,若其有m个可能值,则经过onehot encoding之后,就变成了m个二元特征。并且这些特征互斥,每次只有一个激活。
从而数据变得稀疏。
onehot encoding的作用
- 使分类器便于处理属性数据;
- 一定程度上扩充特征。
onehot encoding代码实现
encoder = preprocessing.OneHotEncoder()
encoder.fit([
[0,2,1,12],
[1,3,5,3],
[2,3,2,12],
[1,2,4,3]
])
encoder_vector = encoder.transform([[2,3,5,3]]).toarray()
print(encoder_vector)
结果:
[[ 0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 0.]]
分析:
第一个特征(即为第一列)为[0,1,2,1] ,其中三类特征值[0,1,2],因此One-Hot Code可将[0,1,2]表示为:[100,010,001]
同理第二个特征列可将两类特征值[2,3]表示为[10,01]
第三个特征将4类特征值[1,2,4,5]表示为[1000,0100,0010,0001]
第四个特征将2类特征值[3,12]表示为[10,01]
因此最后可将[2,3,5,3]表示为[0,0,1,0,1,0,0,0,1,1,0]