本文转载自:https://www.cnblogs.com/shuaishuaidefeizhu/p/11269257.html
一、什么是one-hot编码?
One-Hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。
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。
二、one-hot编码过程详解
比如我们要对 “hello world” 进行one-hot编码,怎么做呢?
1.确定要编码的对象–hello world;
2.确定分类变量–h e l l o 空格 w o r l d,共27种类别(26个小写字母 + 空格,);
3.以上问题就相当于,有11个样本,每个样本有27个特征,将其转化为二进制向量表示;
这里有一个前提,特征排列的顺序不同,对应的二进制向量亦不同(比如我把空格放在第一列和a放第一列,one-hot编码结果肯定是不同的)
因此我们必须要事先约定特征排列的顺序:
1.、27种特征首先进行整数编码:a–0,b–1,c–2,…,z–25,空格–26
2、27种特征按照整数编码的大小从前往后排列
得到的one-hot编码如下:
再比如:我们要对[“中国”, “美国”, “日本”]进行one-hot编码,
怎么做呢?
1.确定要编码的对象–[“中国”, “美国”, “日本”, “美国”];
2.确定分类变量–中国 美国 日本,共3种类别;
3.以上问题就相当于,有3个样本,每个样本有3个特征,将其转化为二进制向量表示
我们首先进行特征的整数编码:中国–0,美国–1,日本–2,并将特征按照从小到大排列
得到one-hot编码如下:
“中国”, “美国”, “日本”, “美国”] —> [[1,0,0], [0,1,0], [0,0,1], [0,1,0]]
三、为什么需要one-hot编码?
one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。
上面的 hello world 相当于多分类的问题(27分类),每个样本只对应于一个类别(即只在对应的特征处值为1,其余地方值为0),而我们的分类结果,得到的往往是隶属于某个类别的概率,这样在进行损失函数(例如交叉熵损失)或准确率计算时,变得非常方便
四、one-hot编码的缺陷
one-hot编码要求每个类别之间相互独立,如果之间存在某种连续型的关系,或许使用distributed respresentation(分布式)更加合适。