什么是特征散列（散列技巧）？

Question

我知道特征散列（散列技巧）用于降低维数和处理位向量的稀疏性，但我不明白它是如何工作的。谁能给我解释一下。是否有任何 python 库可用于进行特征散列？

谢谢。

Answer 1

在 Pandas 上，您可以使用如下内容：

import pandas as pd
import numpy as np

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002],
        'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}

data = pd.DataFrame(data)

def hash_col(df, col, N):
    cols = [col + "_" + str(i) for i in range(N)]
    def xform(x): tmp = [0 for i in range(N)]; tmp[hash(x) % N] = 1; return pd.Series(tmp,index=cols)
    df[cols] = df[col].apply(xform)
    return df.drop(col,axis=1)

print hash_col(data, 'state',4)

输出将是

   pop  year  state_0  state_1  state_2  state_3
0  1.5  2000        0        1        0        0
1  1.7  2001        0        1        0        0
2  3.6  2002        0        1        0        0
3  2.4  2001        0        0        0        1
4  2.9  2002        0        0        0        1

同样在系列级别，您可以

将 numpy 导入为 np, os 将 sys、pandas 导入为 pd

def hash_col(df, col, N):
    df = df.replace('',np.nan)
    cols = [col + "_" + str(i) for i in range(N)]
    tmp = [0 for i in range(N)]
    tmp[hash(df.ix[col]) % N] = 1
    res = df.append(pd.Series(tmp,index=cols))
    return res.drop(col)

a = pd.Series(['new york',30,''],index=['city','age','test'])
b = pd.Series(['boston',30,''],index=['city','age','test'])

print hash_col(a,'city',10)
print hash_col(b,'city',10)

这将适用于单个系列，列名将被假定为 Pandas 索引。它还用 nan 替换空白字符串，并浮动所有内容。

age        30
test      NaN
city_0      0
city_1      0
city_2      0
city_3      0
city_4      0
city_5      0
city_6      0
city_7      1
city_8      0
city_9      0
dtype: object
age        30
test      NaN
city_0      0
city_1      0
city_2      0
city_3      0
city_4      0
city_5      1
city_6      0
city_7      0
city_8      0
city_9      0
dtype: object

但是，如果有一个词汇表，而您只是想进行一次热编码，则可以使用

import numpy as np
import pandas as pd, os
import scipy.sparse as sps

def hash_col(df, col, vocab):
    cols = [col + "=" + str(v) for v in vocab]
    def xform(x): tmp = [0 for i in range(len(vocab))]; tmp[vocab.index(x)] = 1; return pd.Series(tmp,index=cols)
    df[cols] = df[col].apply(xform)
    return df.drop(col,axis=1)

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002],
        'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}

df = pd.DataFrame(data)

df2 = hash_col(df, 'state', ['Ohio','Nevada'])

print sps.csr_matrix(df2)

这将给

   pop  year  state=Ohio  state=Nevada
0  1.5  2000           1             0
1  1.7  2001           1             0
2  3.6  2002           1             0
3  2.4  2001           0             1
4  2.9  2002           0             1

我还添加了最终数据帧的稀疏化。在增量设置中，我们可能没有事先遇到所有值（但我们以某种方式获得了所有可能值的列表），可以使用上述方法。增量 ML 方法在每次增量时需要相同数量的特征，因此 one-hot 编码必须在每个批次中产生相同数量的行。

Answer 2

Here（抱歉，由于某种原因，我无法将其添加为评论。）另外，Feature Hashing for Large Scale Multitask Learning 的第一页很好地解释了它。

Answer 3

大稀疏特征可以衍生自交互，U 为用户，X 为电子邮件，因此 U x X 的维度是内存密集型的。通常，垃圾邮件过滤等任务也有时间限制。

哈希技巧像其他哈希函数一样存储二进制位（索引），这使得大规模训练变得可行。理论上，散列长度越大，性能提升越大，如原始论文中所述。

它将原始特征分配到不同的桶中（特征空间的有限长度），以便保留它们的语义。即使垃圾邮件发送者使用错字错过雷达。尽管存在失真错误，但其哈希形式仍然接近。

例如，

“快速棕色狐狸”转换为：

h(the) mod 5 = 0

h(quick) mod 5 = 1

h(brown) mod 5 = 1

h(fox) mod 5 = 3

使用索引而不是文本值，节省空间。

总结一些应用：

• 高维特征向量的降维

  • 邮件分类任务中的文本，协同过滤垃圾邮件

• 稀疏化

• 动态词袋

• 跨产品特性

• 多任务学习

参考：

• 原稿：

  1. 特征散列用于大规模多任务学习

  2. Shi, Q.、Petterson, J.、Dror, G.、Langford, J.、Smola, A.、Strehl, A. 和 Vishwanathan, V. (2009)。 哈希内核

• What is the hashing trick

• Quora

• Gionis, A.、Indyk, P. 和 Motwani, R. (1999)。通过散列进行高维相似性搜索

实施：

• Langford, J.、Li, L. 和 Strehl, A. (2007)。 Vowpal wabbit 在线学习项目（技术报告）。 http://hunch.net/?p=309。