Encoding 二进制相关性和一种热编码之间的区别？

二进制相关性是处理多标签分类问题的一种众所周知的技术，在该技术中，我们针对特征的每个可能值训练一个二进制分类器：

另一方面，自然语言处理中通常使用一个热编码器（OHE）来编码以多个值作为二进制向量的分类特征：

---

我们可以认为这两个概念是相同的吗？还是有技术上的差异？

两种方法都不同

1。一个热编码

在一个热编码中，考虑向量。

上图表示二进制分类问题

2。二元相关性

在二元相关性中，我们不考虑向量。下图表示使用二进制关联方法生成类标签，该方法使用标量值

---

两种方法都不同

1。一个热编码

在一个热编码中，考虑向量。

上图表示二进制分类问题

2。二元相关性

在二元相关性中，我们不考虑向量。下图表示使用二进制关联方法生成类标签，该方法使用标量值

---

它们在我看来完全不同。为什么您认为它们密切相关？如果您使用二进制相关性对每个类都有一个标签的数据集进行编码，看起来您对每个实例应用了一个热编码，那么向量将是所有标签的二进制值的串联。在多目标问题中，概念当然是不同的。在我看来，它们是完全不同的。为什么您认为它们密切相关？如果您使用二进制相关性对每个类都有一个标签的数据集进行编码，看起来您对每个实例应用了一个热编码，那么向量将是所有标签的二进制值的串联。在多目标问题中，概念当然不同。谢谢，这是一个详细的解释，包括powerset表示。@mountrix有关详细信息，您可以观看此视频（Udacity，Google->Deep Learning）：谢谢，这是一个详细的解释，包括电源集表示。@mountrix有关详细信息，请观看此视频（Udacity，Google->Deep Learning）：