文章目录
什么是实体嵌入(Entity Embeddings)
在处理机器学习问题时,有一个问题必须思考:如何编码数据集中的类别变量?
类别编码的两个基本方法是独热编码(onehot encoding)和标签编码(label encoding)。
独热编码
直观来说就是有多少个状态就有多少比特,而且只有一个比特为1,其他全为0的一种码制。
标签编码
将类别变量表示为连续的数值型变量。
举个例子:
假如有三种颜色特征:红、黄、蓝。 我们需要对其进行向量化或者数字化编码。
那么令:红=1,黄=2,蓝=3,就实现了标签编码,即给不同类别以标签。然而这意味着机器可能会学习到“红<黄<蓝”,但这并不是我们的本意,我们只希望机器能区分它们,并无大小的区别。
这时就要引入独热编码。因为有三种颜色状态,所以就有3个比特。即红色: [ 1 , 0 , 0 ] [1, 0, 0] [1,0,0],黄色: [ 0 , 1 , 0 ] [0, 1, 0] [0,1,0],蓝色: [ 0 , 0 , 1 ] [0, 0, 1] [0,0,1] 。如此一来每两个向量之间的距离都是 2 \sqrt{2}