每天一个知识点（五）

今天介绍一个特殊的向量。

one hot（独热）向量：  ti={0,0,0,...,1,...0}

one hot 向量中只有一个特征值不为0，其他都为0。向量的长度由离散的所有特征数目决定，独热向量在处理分类问题上有很大的优势。

优势：独热想想能够处理离散的标签，扩充特征个数，将离散特征通过one-hot编码映射到欧式空间，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，而我们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。

缺点：会损失标签的顺序信息，即不能处理带有顺序的数据；不能处理大量的标签，这样会使独热向量非常大。