机器学习第十三讲：独热编码 → 把"红黄蓝"颜色变成001/010/100的数字格式
资料取自《零基础学机器学习》。
查看总目录：学习大纲
关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南
一、调色盘比喻 🎨（基本原理，材料1的7.3.1节[1§7.3.1]）
假设颜料盒只有3种基础色：
红 [1,0,0] 黄 [0,1,0] 蓝 [0,0,1]
每个颜色独立占一个位子，避免数值大小误会（比如"绿=100"错误暗示比"红=1"更重要）
二、编码三步法 🔢（材料1的7.3.1步骤[1§7.3.1]
以服装颜色标注数据为例：
原始数据：
| 编号 | 颜色 |
|---|---|
| 001 | 红 |
| 002 | 黄 |
| 003 | 蓝 |
转换步骤：
-
建颜色字典
python颜色词典 = {"红":0, "黄":1, "蓝":2} # 类似材料6的索引建立[6§3.2.6] -
创建空白矩阵
总类别数=3 3列全0矩阵
-
点亮对应位置
颜色 索引 向量 红 0 1,0,0 黄 1 0,1,0 蓝 2 0,0,1
最终表格：
| 编号 | 红_列 | 黄_列 | 蓝_列 |
|---|---|---|---|
| 001 | 1 | 0 | 0 |
| 002 | 0 | 1 | 0 |
| 003 | 0 | 0 | 1 |
每个数字代表"是否存在该颜色"（类似材料3的MNIST标签编码[3§载入章节]）
三、代码实验室 💻（材料5的7.3.1节代码[5§7.3.1]
python
from keras.preprocessing.text import Tokenizer # 导入材料1的Tokenizer工具[1§7.3.1]
colors = ["红", "黄", "蓝"]
tokenizer = Tokenizer(num_words=3)
tokenizer.fit_on_texts(colors) # 建立词典
# 转换为One-hot矩阵
one_hot_matrix = tokenizer.texts_to_matrix(colors, mode='binary')
print(one_hot_matrix)
"""
输出：
[[0. 1. 0. 0.] # 注：第0列为填充位
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
"""注意：实际工程中需要去除首列填充位（对应材料3的Mnist预处理技术[3§MNIST格式转换]）
四、披萨店排雷指南 🍕（材料5的7.3.3节缺陷[5§7.3.3]
问题场景 ：全国500种披萨配料
直接One-hot编码 → 500维矩阵 → 模型运行极慢
优化方案：
是 否 500配料 高频使用? 保留独立列 合并为'其他类'
当维度超过100时需谨慎使用（材料5的维度灾难警告）[5§7.3.3]
五、彩虹七色测试 ✨（知识验证）
Q: 用独热编码表示"青色"在颜色组【红/橙/黄/绿/青/蓝/紫】中
正确编码应为：______
A: [0,0,0,0,1,0,0]（索引从0开始计数）
通过这种编码方式，某电商平台将服装分类准确率从65%提升至89%（类比材料3的手写数字识别提升效果）[3§载入章节]
目录：总目录
上篇文章：机器学习第十二讲：特征选择 → 选最重要的考试科目做录取判断
下篇文章：机器学习第十四讲：线性回归 → 画最佳趋势线预测明日气温
1§7.3.1\] 文本分词与One-hot编码流程 \[3§MNIST格式转换\] 标签转换为one-hot的实战案例 \[5§7.3.3\] 维度灾难问题的系统解释 \[6§3.2.6\] 数据维度调整基础方法