『One-Hot 編碼』在機器學習資料集中，為什麼使用one-hot編碼表示離散型特征？

為什麼要用One-Hot編碼？

在資料集中，經常碰到離散型的特征，比如：國家∈{中國，英國，法國，德國…}

如果我們使用country=0表示中國，…，country=3表示德國，這樣的表示方法，無法在歐式空間裡計算出合理的樣本點之間的距離。

用自然數表示離散特征無法合理計算樣本點距離？

保持兩個樣本點的其他特征不變（以求友善用0表示），隻考慮國家這個特征（加粗，用自然數表示），那麼有3個樣本向量可以表示為：

person1 = [0, 0, 0, 0] （中國人）

person2 = [0, 0, 3, 0] （德國人）

person3 = [0, 0, 2, 0] （法國人）

而

dist(person1, person2) = 3

，

dist(person2, person3) = 1

，這顯然是不合理的。

用One-Hot？

其他同上，不過國家特征用one-hot編碼表示：

person1 = [0, 0, 1, 0, 0, 0, 0]

person2 = [0, 0, 0, 0, 0, 1, 0]

person3 = [0, 0, 0, 0, 1, 0, 0]

這樣，任意兩個樣本點的距離就相同了。

總結

使用one-hot編碼可以解決離散型特征值的尴尬，但是依然還是有它的缺陷，等我學會了再來寫部落格。