『One-Hot 编码』在机器学习数据集中，为什么使用one-hot编码表示离散型特征？

为什么要用One-Hot编码？

在数据集中，经常碰到离散型的特征，比如：国家∈{中国，英国，法国，德国…}
如果我们使用country=0表示中国，…，country=3表示德国，这样的表示方法，无法在欧式空间里计算出合理的样本点之间的距离。

---

用自然数表示离散特征无法合理计算样本点距离？

保持两个样本点的其他特征不变（以求方便用0表示），只考虑国家这个特征（加粗，用自然数表示），那么有3个样本向量可以表示为：

person1 = [0, 0, 0, 0] （中国人）
person2 = [0, 0, 3, 0] （德国人）
person3 = [0, 0, 2, 0] （法国人）

而 dist(person1, person2) = 3，dist(person2, person3) = 1，这显然是不合理的。

用One-Hot？

其他同上，不过国家特征用one-hot编码表示：

person1 = [0, 0, 1, 0, 0, 0, 0]
person2 = [0, 0, 0, 0, 0, 1, 0]
person3 = [0, 0, 0, 0, 1, 0, 0]

这样，任意两个样本点的距离就相同了。

---

总结

使用one-hot编码可以解决离散型特征值的尴尬，但是依然还是有它的缺陷，等我学会了再来写博客。