版权声明： https://blog.csdn.net/Dorothy_Xue/article/details/84641417
one-hot是比较常用的文本特征特征提取的方法。
one-hot编码，又称“独热编码”。其实就是用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效，说白了就是只能有一个状态。
下面举例说明：
有四个样本，每个样本有三种特征：
| feature1 | feature2 | feature3 | |
| sample1 | 1 | 4 | 3 |
| sample2 | 2 | 3 | 2 |
| sample3 | 1 | 2 | 2 |
| sample4 | 2 | 1 | 1 |
上图用十进制数对每种特征进行了编码，feature1有两种可能的取值，feature2有4种可能的取值，feature3有3种可能的取值。比如说feature3有3种取值，或者说有3种状态，那么就用3个状态位来表示，以保证每个样本中的每个特征只有1位处于状态1,其他都是0。
1->001
2->010
3->100
其他的特征也都这么表示：
| feature1 | feature2 | feature3 | |
| sample1 | 01 | 1000 | 100 |
| sample2 | 10 | 0100 | 010 |
| sample3 | 01 | 0010 | 010 |
| sample4 | 10 | 0001 | 001 |
这样，4个样本的特征向量就可以这么表示：
sample1 -> [0,1,1,0,0,0,1,0,0]
sample2 -> [1,0,0,1,0,0,0,1,0]
sample3 -> [0,1,0,0,1,0,0,1,0]
sample4 -> [1,0,0,0,0,1,0,0,1]
接下来看看怎么应用one-hot：
one-hot在特征提取上属于词袋模型（bag of words），假设语料库中有三句话：
- 我爱中国
- 爸爸妈妈爱我
- 爸爸妈妈爱中国
首先，将语料库中的每句话分成单词，并编号：
1：我 2：爱 3：爸爸 4：妈妈 5：中国
然后，用one-hot对每句话提取特征向量：（图来源于网络）
所以最终得到的每句话的特征向量就是：
- 我爱中国 -> 1，1，0，0，1
- 爸爸妈妈爱我 -> 1，1，1，1，0
- 爸爸妈妈爱中国 -> 0，1，1，1，1
那么这样做的优点和缺点都有什么？
优点：
- 解决了分类器处理离散数据困难的问题
- 一定程度上起到了扩展特征的作用（上例中从3扩展到了9）
缺点：
- one-hot是一个词袋模型，不考虑词与词之间的顺序问题，而在文本中，次的顺序是一个很重要的问题
- one-hot是基于词与词之间相互独立的情况下的，然而在多数情况中，词与词之间应该是相互影响的
- one-hot得到的特征是离散的，稀疏的