机器学习 嵌入 嵌套 概念理解 （如有不准敬请批评指正）

这两天机器学习讲到了嵌套/嵌入这个概念，一开始不太好理解。

老师讲了经典的one-hot例子，自己又想到了颜色RGB值的例子，记录一下，如有不准确请大家评论区指出~

嵌套(embeddings)通常是指将高维度向量映射到低维度的空间。
一种分类特征，以连续值特征表示。

 

举个栗子——

原数据：(高维空间：6维)

[红色,0,0,0,0,0]→[1,0,0,0,0,0]

[0,绿色,0,0,0,0]→[0,1,0,0,0,0]

[0,0,蓝色,0,0,0]→[0,0,1,0,0,0]

[0,0,0,黄色,0,0]→[0,0,0,1,0,0]

[0,0,0,0,黑色,0]→[0,0,0,0,1,0]

[0,0,0,0,0,白色]→[0,0,0,0,0,1]

 

嵌套后：(低维空间：3维)

[255,0,0]   →红色RGB值

[0,255,0]  →绿色RGB值

[0,0,255]   →蓝色RGB值

[255,255,0]  →黄色RGB值

[0,0,0]   →黑色RGB值

[255,255,255]  →白色RGB值

 

所以从6维空间映射到了3维空间，同时更多的体现了原数据的特征，便于进行相似度计算。

依次类推，可以将无数的颜色（n维空间的数据）映射到3维空间中，也就是颜色的RGB值。