One hot encoding
-
Là où Bag-of-words et TF-IDF vectorisent les phrases des documents, et les mots sont des entiers, one-hot-encoding (aussi appelé count vectorizing) vectorise les mots.
-
Pour vectoriser un mot en utilisant l’approche one-hot encoding:
- Créer un dictionnaire des caractéristiques (feature dictionary) à partir de l’ensemble des documents. Chaque mot est assigné à un index.
- Pour chaque mot, créer un vecteur nul avec autant de dimensions qu’il y a de mots uniques dans le corpus et assigner 1 à l’index correspondant au mot (garder 0 partout ailleurs).
-
Si on a 10 000 mots uniques, chaque mot prend prend un vecteur de dimension 1×10 000, et contient 9 999 zéros.
