Python机器学习之独热编码（二）

赵娜0418

2020-06-04 阅读量: 1039

Python机器学习之独热编码（二）

为什么要进行独热编码

在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的。而常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

使用独热编码（One-Hot Encoding），将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用独热编码（One-Hot Encoding），会让特征之间的距离计算更加合理。

比如，上面的工作特征，该离散型特征，共有五个取值，不使用独热编码（One-Hot Encoding），其表示分别是：

演员 = (0)

厨师 = (1)

公务员 = (2)

工程师 = (3)

律师 = (4)

两个工作之间的距离是：

d(演员，厨师) = 1

d(厨师，公务员) = 1

d(公务员，工程师) = 1

d(工程师，律师) = 1

d(演员，公务员） = 2

d(演员，工程师） = 3

.....

显然这样的表示，计算出来的特征的距离是不合理。那如果使用独热编码（One-Hot Encoding），则得到d(演员，厨师) = 1与d(演员，公务员）都是1。那么，两个工作之间的距离就都是sqrt(2)。即每两个工作之间的距离是一样的，显得更合理。

16.5673

关注作者

发表评论

暂无数据

CDA考试动态

CDA报考指南

推荐帖子