对于神经网络而言,在输入特征多数为categorical类别变量时,使用onehot会使维度大大增加,使用onehot真的比直接用离散数字表示好吗?

weixin_32363925 2021-10-27 15:25:06

对于神经网络而言,在输入特征多数为categorical类别变量时,使用onehot会使维度大大增加,使用onehot真的比直接用离散数字表示好吗?
 

...全文
45 点赞 收藏 1
写回复
1 条回复
切换为时间正序
请发表友善的回复…
发表回复

分类问题里,损失函数经常定义为预测值和真实值的误差平方和。离散数字编码之后,3被预测称1的损失是比3预测称2更大的(与现实不符)。而onehot则保证了不同的类别距离相同。因此onehot对不同的分类更适合。当然实际生活中有许多分类变量也带有距离的含义(比如职称),所以标准基乘上系数可能会更好。当然最后还是要结合实际情况。我个人感觉类别不多的时候,二者差距不大。

回复
相关推荐
发帖
Qualcomm开发
创建于2013-11-25

470

社区成员

为移动开发者提供丰富的解决方案、全面的技术下载。本版以游戏、多媒体、高效能等三个技术为核心,为开发者营造一个轻松、高效的学习交流平台。
申请成为版主
帖子事件
创建了帖子
2021-10-27 15:25
社区公告
暂无公告