One-hot编码

目录

One-hot编码概念

One-hot编码的优缺点

---

One-hot编码概念

One-Hot 编码，又称一位有效编码。其方法是使用 N 位状态寄存器来对 N 个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
 

举个栗子：

按照 N位状态寄存器 来 对N个状态 进行编码的原理，处理后应该是这样的

性别特征：["男","女"] （这里只有两个特征，所以 N=2）：

男  =>  10

女  =>  01

祖国特征：["中国"，"美国，"法国"]（N=3）：

中国  =>  100

美国  =>  010

法国  =>  001

运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]（N=4）：

足球  =>  1000

篮球  =>  0100

羽毛球  =>  0010

乒乓球  =>  0001

所以，当一个样本为 ["男","中国","乒乓球"] 的时候，完整的特征数字化的结果为：

[1，0，1，0，0，0，0，0，1]

下图可能会更好理解：

 Python代码：

from sklearn import preprocessing  
   
enc = preprocessing.OneHotEncoder()  
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])  # 训练。这里共有4个数据，3种特征
   
array = enc.transform([[0,1,3]]).toarray()  # 测试。这里使用1个新数据来测试
   
print array   # [[ 1  0  0  1  0  0  0  0  1]] # 独热编码结果

以上对应关系可以解释为下图：

测试数据：                      [0,1,3]

对应位置：                  01 012 0123

one-hot编码结果：      10 010 0001

One-hot编码的优缺点

优点：
(1) 解决了 分类器不好处理离散数据的问题。

    a. 欧式空间。在回归，分类，聚类等机器学习算法中，特征之间距离计算 或 相似度计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

    b. one-hot 编码。使用 one-hot 编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用 one-hot 编码，确实会让特征之间的距离计算更加合理。

(2) 在一定程度上也起到了 扩充特征 的作用。

缺点：
在文本特征表示上有些缺点就非常突出了。

(1) 它是一个词袋模型，不考虑词与词之间的顺序（文本中词的顺序信息也是很重要的）；

(2) 它假设词与词相互独立（在大多数情况下，词与词是相互影响的）；

(3) 它得到的特征是离散稀疏 的 (这个问题最严重)。

(4)过度自信，容易导致过拟合。

为什么得到的特征是离散稀疏的？

    例如，如果将世界所有城市名称作为语料库的话，那这个向量会过于稀疏，并且会造成维度灾难。如下：

    杭州 [0,0,0,0,0,0,0,1,0,……，0,0,0,0,0,0,0]
    上海 [0,0,0,0,1,0,0,0,0,……，0,0,0,0,0,0,0]
    宁波 [0,0,0,1,0,0,0,0,0,……，0,0,0,0,0,0,0]
    北京 [0,0,0,0,0,0,0,0,0,……，1,0,0,0,0,0,0]

    在语料库中，杭州、上海、宁波、北京各对应一个向量，向量中只有一个值为1，其余都为0。

特别的：

one-hot编码与哈希编码的区别：

one-hot编码：

哈希编码：

注：针对one-hot的过度自信，容易导致过拟合的缺点，GoogleNet v3提出了标签平滑（label smoothing）策略。

详见：标签平滑（label smoothing）