数据预处理之独热编码（One-Hot）：为什么要使用one-hot编码？

一、问题由来

最近在做ctr预估的实验时，还没思考过为何数据处理的时候要先进行one-hot编码，于是整理学习如下：

在很多机器学习任务如ctr预估任务中，特征不全是连续值，而有可能是分类值。如下：

 

　　　　分类变量（定性特征）与连续变量（定量特征）。我们训练模型的变量，一般分为两种形式。以广告收入增长率为例，如果取值为0-1之间任意数，则此时变量为连续变量。如果把增长率进行分段处理，表示成如下形式：[0,0.3],(0.3,0.6],(0.6,1]，那么此时变量为分类变量。

　　　　特征转换。对于分类变量，建模时要进行转换，通常直接转换为数字。比如将[0,0.3],(0.3,0.6],(0.6,1]表示为0,1,2。原因主要有两点：

　　　　　　1,转换后可以提高模型运算效率。

　　　　　　2,对于一些模型，比如逻辑回归或计算距离时，无法对分类值直接进行计算。

              直接转换为数字，也会带来一些问题：

　　　　　　1,转换为数字后，默认为连续变量，违背最初设计，影响效率。

　　　　　　2,转换后的值会影响同一特征在样本中的权重。比如转换为1000和转换为1对模型影响明显不同。

　　　   因此，需要更好的编码方式对特征进行转换。

 

　　　　one-hot编码。one-hot编码的定义是用N位状态寄存