一、独热编码出现之前：针对无序离散的分类特征，机器学习算法的分类器并不能直接进行数据处理。因为，分类器通常处理的数据是连续且有序的。但是我们可以对这些离散的特征数据建立映射表来让其有序并且连续起来。例如：针对一个人对象，我们可以假设其属性进行了如下映射。性别特征：["男"

test_dataseasonmonth1112132425263738394104114121-4代表4个季节；1-12代表12个月。importpandasaspddata_path='test_dada.csv'#读取数据到内存data=pd.read_csv(data_path)dummy_fields=['season','month']#所有类型编码变量的名称foreach

1OneHot编码1.1定义One-Hot编码，又称独热编码。从方法性质上讲，它是一种向量表示方法，属于自然语言处理领域中的词袋模型。独热编码方法使用N位状态寄存器对N个状态进行编码，每个状态都有独立的寄存位；并且在任意时候，N为状态寄存器中都仅有一位有效状态，该位的状态值则表征了

类别数据  与数值特征不同，类别数据往往更难被计算机理解，主要分为序数和标称。  序数具有顺序，比如衣服尺码中有XL>L>M等  标称不含任何顺序，特征之间相互独立。处理序数特征  为了让算法正确解读序数特征，我们需要用整数来表示。我们可以定义映射关系，训练后再反向

目录引言线性回归模型基本形式最小二乘法多元线性回归线性回归的假设模型评估应用独热编码原理应用场景优点缺点数据收集数据可视化数据处理与分析完整代码引言线性回归模型线性回归模型是一种用于预测连续值输出（或称为因变量）的统计方法，它基于一个或多个

2024.3.9神经语言网络模型$\longmapsto$主要是预测出下一个词神经网络+语言模型——》用是神经网络的方法去完成以下两个和人说的话相关的任务第二个任务：v”判断“，”一个“，”词“，“的”，”“假设词库里有”词性“和”火星“P(''|"判断"，”一个“，”词“，”的“)

独热编码（One-HotEncoding），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，其余都是零值。独热编码是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。地区特征：["北京"，"上

list_new=[]foriinrange(5):list_test=[0]*5list_test[i]=1list_new.append(list_test)print(list_new)[[0ifj!=ielse1forjinrange(5)]foriinrange(5)]list_new=[]foriinrange(4):list_test=[0]*4list_test[i]

pandas.get_dummies()是一个用于执行独热编码（One-HotEncoding）的pandas函数。它用于将分类（或离散）特征转换为模型可以处理的二进制格式，以便更好地在机器学习算法中使用。独热编码将每个不同的类别值转换为一个新的二进制特征列，其中每个列代表一个类别，并且只有一个值为1，其余为0

参考：https://pytorch.org/docs/stable/generated/torch.nn.functional.one_hot.html

在机器学习算法中，常会遇到分类特征是离散的，无序的。例如：性别有男、女，城市有北京，上海，深圳等 性别特征：["男"，"女"]=>0，1地区特征：["北京"，"上海，"深圳"]=>0，1，2工作特征

嵌入(Embedding)是用向量表示一个物体，这里所说的物体可以是人，是实体，是虚拟物品，比如：一个单词、一条语句、一个序列、一件商品、一个动作、一本书、一部电影、一个人等等。

什么样的特征是类别型特征？类别型特征主要是指性别（男/女），体型（胖/瘦/适中）等只有在选项内取值的特征，类别型特征的原始输入通常是字符串形式，除了决策树等少数模型能够直接处理字