DNN的输入类型为什么要用one-hot编码?

本文探讨了在深度学习中,如何正确处理分类特征数据。对于离散的分类特征,使用one-hot编码增强模型理解力;对于图像像素等连续数值,保留其固有意义;针对高维稀疏数据,采用embedding技术提升特征表达能力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 对于一些离散的分类特征数据,如用1,2,3,4,5,6,7,8,9 分别表示不同的物品,如果不经过one-hot编码直接输入到DNN中, 每个样本之间的关联可解释性不强,如果输出中间值如1.2也不好判定属于1还是2,因为1和2只是表示类别,中间值没有意义,强行取整的可解释性不强,输入变量之间的关系也不好判定,如果变为one-hot型编码,如类别1是[1,0,0,0,0,0],类别2是[0,1,0,0,0,0],可以通过向量之间的计算判断相关性,而且类别特征只注重是否属于哪种物品,或者说这种属性是否存在,对于值是多少不care,所以多用one-hot编码

2. 对于图像像素这种不是整数的中间值有可解释性, 表示介于两个整数灰度之间的值,所以不需要one-hot编码

3. 对与高维稀疏的分类特征数据,通常用embedding将高维稀疏的整数数据映射到低维稠密的浮点数据, 通过embedding可以计算变量之间的相似度, 提取更加抽象的特征.

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值