1. 為什么使用 one-hot 編碼？

問題：

在機(jī)器學(xué)習(xí)算法中，我們經(jīng)常會(huì)遇到分類特征，例如：人的性別有男女，祖國有中國，美國，法國等。 這些特征值并不是連續(xù)的，而是離散的，無序的。

目的：

如果要作為機(jī)器學(xué)習(xí)算法的輸入，通常我們需要對(duì)其進(jìn)行特征數(shù)字化。什么是特征數(shù)字化呢？例如：

性別特征：["男"，"女"]

祖國特征：["中國"，"美國，"法國"]

運(yùn)動(dòng)特征：["足球"，"籃球"，"羽毛球"，"乒乓球"]

瓶頸：

假如某個(gè)樣本（某個(gè)人），他的特征是["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(jī)器學(xué)習(xí)算法中。因?yàn)轭悇e之間是無序的。

2. 什么是 one-hot 編碼？

定義：

獨(dú)熱編碼即 One-Hot 編碼，又稱一位有效編碼。其方法是使用 N位 狀態(tài)寄存器來對(duì) N個(gè)狀態(tài) 進(jìn)行編碼，每個(gè)狀態(tài)都有它獨(dú)立的寄存器位，并且在任意時(shí)候，其中只有一位有效。

理解：

One-Hot 編碼是分類變量作為二進(jìn)制向量的表示。

(1) 將分類值映射到整數(shù)值。

(2) 然后，每個(gè)整數(shù)值被表示為二進(jìn)制向量，除了整數(shù)的索引之外，它都是零值，它被標(biāo)記為1。

舉例1：

舉個(gè)例子，假設(shè)我們有四個(gè)樣本（行），每個(gè)樣本有三個(gè)特征（列），如圖：

上述feature_1有兩種可能的取值，比如是男/女，這里男用1表示，女用2表示。feature_2 和 feature_3 各有4種取值（狀態(tài)）。

one-hot 編碼就是保證每個(gè)樣本中的單個(gè)特征只有1位處于狀態(tài)1，其他的都是0。

上述狀態(tài)用 one-hot 編碼如下圖所示：

舉例2：

按照 N位狀態(tài)寄存器 來 對(duì)N個(gè)狀態(tài) 進(jìn)行編碼的原理，處理后應(yīng)該是這樣的

性別特征：["男","女"] （這里只有兩個(gè)特征，所以 N=2）：

男 => 10

女 => 01

祖國特征：["中國"，"美國，"法國"]（N=3）：

中國 => 100

美國 => 010

法國 => 001

運(yùn)動(dòng)特征：["足球"，"籃球"，"羽毛球"，"乒乓球"]（N=4）：

足球 => 1000

籃球 => 0100

羽毛球 => 0010

乒乓球 => 0001

所以，當(dāng)一個(gè)樣本為 ["男","中國","乒乓球"] 的時(shí)候，完整的特征數(shù)字化的結(jié)果為：

[1，0，1，0，0，0，0，0，1]

下圖可能會(huì)更好理解：

python 代碼示例：

from sklearn import preprocessing  
   
enc = preprocessing.OneHotEncoder()  
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])  # 訓(xùn)練。這里共有4個(gè)數(shù)據(jù)，3種特征
   
array = enc.transform([[0,1,3]]).toarray()  # 測(cè)試。這里使用1個(gè)新數(shù)據(jù)來測(cè)試
   
print array   # [[ 1  0  0  1  0  0  0  0  1]] # 獨(dú)熱編碼結(jié)果

以上對(duì)應(yīng)關(guān)系可以解釋為下圖：

3. one-hot 編碼優(yōu)缺點(diǎn)？

優(yōu)點(diǎn)：

(1) 解決了 分類器不好處理離散數(shù)據(jù) 的問題。

a. 歐式空間。在回歸，分類，聚類等機(jī)器學(xué)習(xí)算法中，特征之間距離計(jì)算 或 相似度計(jì)算是非常重要的，而我們常用的距離或相似度的計(jì)算都是在歐式空間的相似度計(jì)算，計(jì)算余弦相似性，基于的就是歐式空間。

b. one-hot 編碼。使用 one-hot 編碼，將離散特征的取值擴(kuò)展到了歐式空間，離散特征的某個(gè)取值 就 對(duì)應(yīng)歐式空間的某個(gè)點(diǎn)。將離散型特征使用 one-hot 編碼，確實(shí)會(huì)讓特征之間的距離計(jì)算更加合理。

(2) 在一定程度上也起到了 擴(kuò)充特征 的作用。

缺點(diǎn)：

在文本特征表示上有些缺點(diǎn)就非常突出了。

(1) 它是一個(gè)詞袋模型，不考慮詞與詞之間的順序（文本中詞的順序信息也是很重要的）；

(2) 它假設(shè)詞與詞相互獨(dú)立（在大多數(shù)情況下，詞與詞是相互影響的）；

(3) 它得到的特征是離散稀疏的 (這個(gè)問題最嚴(yán)重)。

上述第3點(diǎn)展開：

(1) 為什么得到的特征是離散稀疏的？

例如，如果將世界所有城市名稱作為語料庫的話，那這個(gè)向量會(huì)過于稀疏，并且會(huì)造成維度災(zāi)難。如下：

杭州 [0,0,0,0,0,0,0,1,0,……，0,0,0,0,0,0,0]
上海 [0,0,0,0,1,0,0,0,0,……，0,0,0,0,0,0,0]
寧波 [0,0,0,1,0,0,0,0,0,……，0,0,0,0,0,0,0]
北京 [0,0,0,0,0,0,0,0,0,……，1,0,0,0,0,0,0]

在語料庫中，杭州、上海、寧波、北京各對(duì)應(yīng)一個(gè)向量，向量中只有一個(gè)值為1，其余都為0。

(2)能不能把詞向量的維度變小呢？

a) Dristributed representation：

可以解決 One hot representation 的問題，它的思路是:

1. 通過訓(xùn)練，將每個(gè)詞都映射到一個(gè)較短的詞向量上來。

2. 所有的這些 詞向量 就構(gòu)成了 向量空間，

3. 進(jìn)而可以用 普通的統(tǒng)計(jì)學(xué)的方法 來研究詞與詞之間的關(guān)系。

這個(gè)較短的詞向量維度是多大呢？這個(gè)一般需要我們?cè)谟?xùn)練時(shí)自己來指定。

b) 舉例：

1. 比如將詞匯表里的詞用 "Royalty", "Masculinity", "Femininity" 和 "Age" 4個(gè)維度來表示，King 這個(gè)詞對(duì)應(yīng)的詞向量可能是 (0.99,0.99,0.05,0.7)。

2. 在實(shí)際情況中，并不能對(duì)詞向量的每個(gè)維度做一個(gè)很好的解釋。

3.將king這個(gè)詞從一個(gè)可能非常稀疏的向量坐在的空間，映射到現(xiàn)在這個(gè) 四維向量 所在的空間，必須滿足以下性質(zhì)：

（1）這個(gè)映射是單射；
（2）映射之后的向量 不會(huì)丟失之前的 那種向量 所含的信息 。

4.這個(gè)過程稱為word embedding（詞嵌入），即將高維詞向量嵌入到一個(gè)低維空間。如圖：

5.經(jīng)過我們一系列的降維神操作，有了用 representation 表示的較短的詞向量，我們就可以較容易的分析詞之間的關(guān)系了，比如我們將詞的維度降維到 2維，有一個(gè)有趣的研究表明，用下圖的詞向量表示我們的詞時(shí)，我們可以發(fā)現(xiàn)：

6. 出現(xiàn)這種現(xiàn)象的原因是，我們得到最后的詞向量的訓(xùn)練過程中引入了詞的上下文。舉例：

想到得到 "learning" 的詞向量，但訓(xùn)練過程中，你同時(shí)考慮了它左右的上下文，那么就可以使 "learning" 帶有語義信息了。通過這種操作，我們可以得到近義詞，甚至 cat 和它的復(fù)數(shù) cats 的向量極其相近。

--------------------------------------------------------------------

參考博客：

通俗理解word2vec

機(jī)器學(xué)習(xí)：數(shù)據(jù)預(yù)處理之獨(dú)熱編碼（One-Hot）

到此這篇關(guān)于機(jī)器學(xué)習(xí)數(shù)據(jù)預(yù)處理之獨(dú)熱One-Hot編碼及其代碼詳解的文章就介紹到這了,更多相關(guān)one-hot 編碼內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論