独热编码

独热编码（One-Hot Encoding），又称为一位有效编码，主要是采用位状态寄存器来对每个状态进行编码，每个状态都有他独立的寄存器位，并且在任意时候只有一位有效。

​

1. One-Hot编码介绍

独热编码是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。

例如：参考数字手写体识别中，如数字字体识别0~9中，6的独热编码为0000001000。

自然状态码为：000,001,010,011,100,101 独热编码为：000001,000010,000100,001000,010000,100000

有如下三个特征属性：

性别："male"，"female" ======》1，0 表示男，0，1表示女

地区："Europe"，"US"，"Asia"

浏览器："Firefox"，"Chrome"，"Safari"，"Internet Explorer"

对于某一个样本，如"male"，"US"，"Internet Explorer"，我们需要将这个分类值的特征数字化，最直接的方法，我们可以采用序列化的方式：0,1,3，但是这样的特征处理并不能直接放入机器学习算法中。

对于上述的问题，性别的属性是二维的，同理，地区是三维的，浏览器则是思维的，这样，我们可以采用One-Hot编码的方式对上述的样本“"male"，"US"，"Internet Explorer"”编码，“male”则对应着1，0，同理“US”对应着0，1，0，“Internet Explorer”对应着0,0,0,1。则完整的特征数字化的结果为：1,0,0,1,0,0,0,0,1。这样导致的一个结果就是数据会变得非常的稀疏。

2. One-Hot编码优点

独热编码的优点为：

1）能够处理非连续型数值特征。

2）在一定程度上也扩充了特征。比如性别本身是一个特征，经过one-hot编码以后，就变成了男或女两个特征。

3. One-Hot编码示例

    from sklearn import preprocessing
     
    encoder = preprocessing.OneHotEncoder()
    # 4个特征：
     
    #第一个特征（即为第一列）为[0,1,2,1],其中三类特征值[0,1,2],因此One-Hot Code可将[0,1,2]表示为:[100,010,001]
    #第一个特征有三种值：采用三个编码：[100,010,001]
     
    #同理第二个特征列可将两类特征值[2,3]表示为[10,01]
     
    #第三个特征将4类特征值[1,2,4,5]表示为[1000,0100,0010,0001]
     
    #第四个特征将2类特征值[3,12]表示为[10,01]
     
    encoder.fit([
        [0, 2, 1, 12],
        [1, 3, 5, 3],
        [2, 3, 2, 12],
        [1, 2, 4, 3]
    ])
    encoded_vector = encoder.transform([[2, 3, 5, 3]]).toarray()
    print("\n Encoded vector =", encoded_vector)
    #[[0. 0. 1.    0. 1.      0. 0. 0. 1.     1. 0.]]

版权属于：。。。源

本文链接：https://cloud.tencent.com/developer/article/2169633

转载时须注明出处及本声明。我的博客即将同步至腾讯云开发者社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?invite_code=2py75w7904qok