one-hot编码的理解
one-hot是比较常用的文本特征特征提取的方法。
one-hot编码,又称“独热编码”。其实就是用N位状态寄存器编码N个状态,每个状态都有独立的寄存器位,且这些寄存器位中只有一位有效,说白了就是只能有一个状态。
下面举例说明:
有四个样本,每个样本有三种特征:
feature1 | feature2 | feature3 | |
sample1 | 1 | 4 | 3 |
sample2 | 2 | 3 | 2 |
sample3 | 1 | 2 | 2 |
sample4 | 2 | 1 | 1 |
上图用十进制数对每种特征进行了编码,feature1有两种可能的取值,feature2有4种可能的取值,feature3有3种可能的取值。比如说feature3有3种取值,或者说有3种状态,那么就用3个状态位来表示,以保证每个样本中的每个特征只有1位处于状态1,其他都是0。
1->001
2->010
3->100
其他的特征也都这么表示:
feature1 | feature2 | feature3 | |
sample1 | 01 | 1000 | 100 |
sample2 | 10 | 0100 | 010 |
sample3 | 01 | 0010 | 010 |
sample4 | 10 | 0001 | 001 |
这样,4个样本的特征向量就可以这么表示:
sample1 -> [0,1,1,0,0,0,1,0,0]
sample2 -> [1,0,0,1,0,0,0,1,0]
sample3 -> [0,1,0,0,1,0,0,1,0]
sample4 -> [1,0,0,0,0,1,0,0,1]
接下来看看怎么应用one-hot:
one-hot在特征提取上属于词袋模型(bag of words),假设语料库中有三句话:
- 我爱中国
- 爸爸妈妈爱我
- 爸爸妈妈爱中国
首先,将语料库中的每句话分成单词,并编号:
1:我 2:爱 3:爸爸 4:妈妈 5:中国
然后,用one-hot对每句话提取特征向量:(图来源于网络)
所以最终得到的每句话的特征向量就是:
- 我爱中国 -> 1,1,0,0,1
- 爸爸妈妈爱我 -> 1,1,1,1,0
- 爸爸妈妈爱中国 -> 0,1,1,1,1
那么这样做的优点和缺点都有什么?
优点:
- 解决了分类器处理离散数据困难的问题
- 一定程度上起到了扩展特征的作用(上例中从3扩展到了9)
缺点:
- one-hot是一个词袋模型,不考虑词与词之间的顺序问题,而在文本中,次的顺序是一个很重要的问题
- one-hot是基于词与词之间相互独立的情况下的,然而在多数情况中,词与词之间应该是相互影响的
- one-hot得到的特征是离散的,稀疏的
one-hot编码的理解相关推荐
- 有关swin transformer相对位置编码的理解:
有关swin transformer相对位置编码的理解: 假设window_size是7*7 那么窗口中共有49个patch,共有49*49个相对位置,每个相对位置有两个索引对应x和y两个方向,每个索 ...
- Unicode编码的理解
1.Unicode 这个单词可以拆解为两部分,一个是Uni ,即英文单词unique的意思,也就是唯一的意思.code就是编码的意思. GBK编码的理解_sgmcy的博客-CSDN博客 在上节博客里面 ...
- 哈夫曼编码的理解以及简单实现
哈夫曼树 在介绍哈夫曼编码前,我们先来了解一下哈夫曼树. 美国科学家哈夫曼在1952年发现了哈夫曼编码,为了纪念他的成就,于是把他在编码中用到的特殊二叉树称之为哈夫曼树,这种编码方法称之为哈夫曼编码. ...
- Python学习-字符编码的理解
Unicode编码和ASCII码两者都是机器能够理解的编码,你就是说出现一个码,计算机知道它对应哪种符号.因为这种编码形式将不同的字符全都和电平的高低电位联系在一起. Unicode,这种编码是全球通 ...
- 对于 Shift-JIS 编码的理解 (win10中 查看 Shift-JIS 编码 コード)
■简介 Shift_JIS-2004 is the JIS X 0213 version of Shift_JIS encoding. It is a superset of Shift_JIS. I ...
- java unicode是什么意思_(转)谈谈对Java中Unicode、编码的理解
我们经常会遇到编码问题.Java号称国际化的语言,是因为它的class文件采用UTF-8,而JVM运行时使用UTF-16(至于为什么JVM中要采用UTF-16,我没看过 相关的资料,但我猜可能是因为J ...
- 操作系统、输入法和编码的理解
操作系统和输入法 操作系统有一个输入法管理器,叫做IMM,管理系统内的所有输入法,或者说一个输入法想要使用操作系统提供的输入法API,就必须在IMM进行注册. 应用程序和输入法 应用程序一般都会使用输 ...
- 【obs-studio开源项目从入门到放弃】video_thread 视频编码线程理解
文章目录 前言 1.视频编码线程的创建时机 video_output_open函数创建视频编码线程 2.视频编码线程的工作内容 video_output_cur_frame 线程真正的工作函数 详细解 ...
- 谈谈对中文乱码,编码的理解 java python
中文乱码问题研究结论 java python 字库表?编码字符集?字符编码? 编码,解码 数据读,写 中文乱码 分析一个java代码输出乱码的实例 这些问题一直困扰我很久,其实也不是什么大问题,每次遇 ...
- ASCII,Unicode,UTF-8,GB2312一些关于编码的理解
2019独角兽企业重金招聘Python工程师标准>>> 字符编码:ASCII,Unicode,UTF-8,GB2312 从文件编码的方式来看,文件可分为ASCII码文件和二进制码文件 ...
最新文章
- 孔子绝粮于陈蔡子贡孔子问答节选(白话)
- 开源使得所有的软件卖成白菜价,但终将普惠世界!
- XDebug分析php代码性能
- 在Castle中使用nhibernate
- 【STL深入学习】SGI STL空间配置器详解(二)-第二级空间配置器
- python使用正则化预处理数据
- __strong、__weak 与 __unsafe_unretained区别
- 西班牙税收现“4大变化” 侨胞当心“钱包”
- Android ContentProvider简单总结
- 提示内存不足,但内存明明很多
- Python参考手册
- IOS逆向-动态调试
- 安装思源笔记/siyuan插件pandoc
- 2020最难求职年,程序员职场面试 “防坑指南” ,全员必备!
- office2019卸载组件_office2019软件安装教程
- hibernate精华总结
- 夏日闪电惊雷想念父亲
- Qt QTextStream
- 让时间成为自己的知心朋友\\《把时间当做朋友》读书笔记
- Alevel经济学:成本和收入之“利润”