前言:
在機器學習算法中，我們經常會遇到分類特征，例如：人的性别有男女，祖國有中國，美國，法國等。
這些特征值并不是連續的，而是離散的，無序的。通常我們需要對其進行特征數字化。
那什麼是特征數字化呢？例子如下：
- 性别特征：[“男”，“女”]
- 祖國特征：[“中國”，"美國，“法國”]
- 運動特征：[“足球”，“籃球”，“羽毛球”，“乒乓球”]
假如某個樣本（某個人），他的特征是這樣的[“男”,“中國”,“乒乓球”]，我們可以用 [0,0,4]
來表示，但是這樣的特征處理并不能直接放入機器學習算法中。因為類别之間是無序的（運動資料就是任意排序的）。
One-Hot 編碼
獨熱編碼即 One-Hot 編碼，又稱一位有效編碼，其方法是使用N位狀态寄存器來對N個狀态進行編碼，每個狀态都由他獨立的寄存器位，并且在任意時候，其中隻有一位有效。獨熱編碼恰好是一種解決上述問題的好辦法。不過資料也是以變得稀疏。
One-Hot實際案例
就拿上面的例子來說吧，性别特征：[“男”,“女”]，按照N位狀态寄存器來對N個狀态進行編碼的原理，咱們處理後應該是這樣的（這裡隻有兩個特征，是以N=2）：
男 => 10
女 => 01
祖國特征：[“中國”，"美國，“法國”]（這裡N=3）：
中國 => 100
美國 => 010
法國 => 001
運動特征：[“足球”，“籃球”，“羽毛球”，“乒乓球”]（這裡N=4）：
足球 => 1000
籃球 => 0100
羽毛球 => 0010
乒乓球 => 0001
是以，當一個樣本為[“男”,“中國”,“乒乓球”]的時候，完整的特征數字化的結果為：
[1，0，1，0，0，0，0，0，1]
from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]]) #這裡一共有4個資料，3種特征
array = enc.transform([[0,1,3]]).toarray() #這裡使用一個新的資料來測試
print array # [[ 1 0 0 1 0 0 0 0 1]]
為什麼使用one-hot編碼來處理離散型特征?
關注微信公衆号:讓我愛上它Computer 擷取更多學習資料