计算机视觉｜机器视觉｜机器学习｜深度学习
编者荐语
独热编码，又称虚拟编码，是一种将分类变量转换为数值向量格式的方法。每个类别在数值向量中都有自己的列或特征，并被转换为0和1的数值向量。
特征工程是数据科学模型开发的重要组成部分之一。数据科学家把大部分时间花在数据处理和特征工程上，以便训练一个鲁棒模型。数据集由各种类型的特征组成，包括类别、数字、文本、日期时间等。
由于大多数机器学习模型只理解数值向量，所以各种特征需要被设计成数值格式。有各种编码技术可以将文本数据转换为数字格式，包括词袋、Tf－Idf矢量化等等。分类特征可以编码成数字格式，独热编码就是其中一种方式。
机器学习特征处理——独热向量编码
在机器学习算法中，常会遇到分类特征是离散的，无序的，那么我们应该如何去处理呢？
什么是独热编码
独热编码（One－Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是0值。
例如，对六个状态进行编码：
自然顺序码为 000，001，010，011，100，101
独热编码则是 000001，000010，000100，001000，010000，100000
为什么要进行独热向量编码
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。
什么情况下不需要独热向量编码
1、如果特征是离散的，并且不用独热编码就可以很合理的计算出距离，就没必要进行独热编码。（比如，离散特征共有1000个取值，分成两组是400和600，两个小组之间的距离有合适的定义，组内距离也有合适的定义，就没必要独热编码）
2、有些并不是基于向量空间度量的算法，数值只是个类别符号，没有偏序关系，就不用进行独热编码。
3、如果原本的标签编码是有序的，就不必独热编码了，因为会丢失顺序信息。
