导读

当你在玩ML模型的时候，你会在任何地方遇到这个“One hot encoding”的术语。

当你在玩ML模型的时候，你会在任何地方遇到这个“One hot encoding”术语。你可以看到一个one hot编码器的sklearn文档，其中说“使用one-hot也就是one-of- k模式编码分类整数特征”。不是很清楚，对吧？或者至少不适合我。让我们看看one hot编码到底是什么。

One hot编码方法是将分类变量转换成一种形式，这种形式可以提供给ML算法，以便更好地进行预测。

假设数据集如下:

 ╔════════════╦═════════════════╦════════╗  ║ CompanyName Categoricalvalue ║ Price ║ ╠════════════╬═════════════════╣════════║  ║ VW ╬ 1 ║ 20000 ║ ║ Acura ╬ 2 ║ 10011 ║ ║ Honda ╬ 3 ║ 50000 ║ ║ Honda ╬ 3 ║ 10000 ║ ╚════════════╩═════════════════╩════════╝

分类值表示数据集中条目的数值。例如：如果数据集中有另一家公司，它的分类值应该是4。随着惟一条目数量的增加，分类值也相应地增加。

上表只是一种表示。实际上，分类值从0开始一直到N-1个类别。

你可能已经知道，可以使用sklearn的LabelEncoder完成分类值分配。

现在让我们回到one hot编码：假设我们按照sklearn文档中给出的说明来进行one hot编码，然后进行一些清理，最后得到以下结果:

 ╔════╦══════╦══════╦════════╦ ║ VW ║ Acura║ Honda║ Price ║ ╠════╬══════╬══════╬════════╬ ║ 1 ╬ 0 ╬ 0 ║ 20000 ║ ║ 0 ╬ 1 ╬ 0 ║ 10011 ║ ║ 0 ╬ 0 ╬ 1 ║ 50000 ║ ║ 0 ╬ 0 ╬ 1 ║ 10000 ║ ╚════╩══════╩══════╩════════╝

0表示不存在，1表示存在。

在我们进一步讨论之前，你能想到一个原因吗？为什么仅仅使用标签编码给模型训练是不够的？为什么需要one hot编码？

标签编码的问题是，它假定类别值越高，类别越好。“等等，什么! ？”

让我解释一下：这种组织形式的前提是基于类比的值，VW > Acura > Honda。假设你的模型内部计算平均值，那么我们得到，1+3 = 4/2 =2。这意味着：VW 和Honda的平均水平是 Acura。这绝对是个灾难。这个模型的预测会有很多误差。

这就是为什么我们使用one hot编码器来执行类别的“二值化”，并将其作为一个特征来训练模型。

另一个例子：假设你有一个“flower”特征，它可以接受“daffodil”、“lily”和“rose”的值。一个one hot编码将“flower”特征转换为三个特征，“is_daffodil”、“is_lily”和“is_rose”，它们都是二进制的。

见下图：