在机器学习中,我们很多的特征并不是连续值,而是分类值,这个时候我们我们将这些特征用数字来表示,效率可能就会高很多,但是如果我们任意的编码,这样的特征处理并不能直接放入机器学习算法中,比如我们有一个性别的特征是:性别:['male','female','other'],我们不能随意地编码成0,1,2,而必须要进行one-hot编码,比如这个时候性别的特征是三维的,那么male就是[1,0,0],female就是[0,1,0],而other则是[0,0,1]。
为什么要进行独热编码
为什么要将特征向量映射到欧式空间
将离散特征通过one-hot编码隐射到欧式空间,是因为,在回归、分类、聚类等机器学习算法中,特征之间距离的计算或相似度的计算是非常重要的,而我们常用的距离或者相似度的计算都是在欧式空间的相似度计算,计算余弦相似度,基于的就是欧氏空间。
独热编码的优缺点
优点:独热编码解决了分类器不好处理属性数据的问题,在一定程度上也起到了扩充特征的作用,它的值只有0和1,不同的类型存储在垂直的空间。
缺点:当类别的数量很多时,特征空间将会变得很大(同时数据也会变得非常稀疏)。在这种情况下,一般可以使用PCA来减少维度,实际上one-hot+PCA的组合在实际中也非常有用。
什么情况下使用或者不使用独热编码
用的时候是用于解决类别型数据的离散值问题,而对于不用的时候:将离散型特征进行one-hot编码的作用是为了让距离计算更加的合理,但是如果特征是离散的,并且不用one-hot编码就可以很合理地计算出距离,那么就没必要进行one-hot编码,有些基于树的算法在处理变量时,并不是基于向量空间度量,数值只是个类别符号,即没有偏序关系,所以不用进行独热编码,树形模型不太需要独热编码,对于决策树来说,one-hot的本质是增加树的深度,另外如果当前特征类别不太多的时候更加建议考虑。