One-hot 编码/TF-IDF 值来提取特征,LAD/梯度下降法（Gradient Descent），Sigmoid
Posted 大树的Blog
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了One-hot 编码/TF-IDF 值来提取特征,LAD/梯度下降法（Gradient Descent），Sigmoid相关的知识，希望对你有一定的参考价值。
1. 多值无序类数据的特征提取: 多值无序类问题（One-hot 编码）把“耐克”编码为[0,1,0]，其中“1”代表了“耐克”的中 间位置，而且是唯一标识。同理我们可以把“中国”标识为[1,0]，把“蓝色”标识为[0,1]。 然后把所有的数据编码拼接起来，[“耐克”,“中国”,“蓝色”]的最终编码结果就变为了 [0,1,0,1,0,0,1]，这一组数据虽然很稀疏，但是可以带到算法中进行计算
无序类数据的特征提取:One-hot 编码解决多值无序类数据的特征提取问题.
2.文本提取特征: 由多个文本组成的集合，还可以根据TF-IDF 值来提取特征,LAD
3.图像或者语音提取特征: 将图像或者语音转化成矩阵结构:像素点切割的话，每个像素点可以表示成一个数值.
4.梯度下降法（Gradient Descent），是利用一阶梯度信息找到函数局部最优解的一种方 法，是机器学习算法中常用的一种最优化解法.梯度下降法的思路很简单，就是每一步都 向最终的结果前进一点，通过迭代的方式计算直到收敛，得到最优
5.Sigmoid 函数限制在[0,1]的区间中，
线性支持向量机主要: 通过一条线可以进行分类的场
以上是关于One-hot 编码/TF-IDF 值来提取特征,LAD/梯度下降法（Gradient Descent），Sigmoid的主要内容，如果未能解决你的问题，请参考以下文章