Machine learning 机器学习中任意长类别数组数据的表示

假设我有要为机器学习任务“矢量化”的用户数据。它的格式如下：

{
  subjects: [String (subject id)],
  education: [
    school: String (school id),
    concentration: String (conc. id),
    degree: String (degree id)
  ],
  age: Integer,
  gender: String
}

年龄和性别等数据分别表示为整数和二进制（女性为0，男性为1）

如果用户只有一个主题，我可能会使用一个热编码来表示它。然而，考虑如下：

• 受试者的数量可能会发生变化（即增加/删除受试者）。这意味着一个热编码中向量的长度将发生变化
• 用户可以有任意数量的主题

教育记录也是如此。用户可以拥有任意数量的教育记录

所以我的问题是：如果用户可以拥有任意数量的分类数据，那么最好的方式是什么

---

谢谢大家!

首先，你应该事先知道所有可能的主题。 其次，为每个主题创建如下特征：

subj1 subj2 .... subj1000
0       1             0

在这里，用户没有SUBK1和SUBK1000，但有SUBK2

对于你将来可能会看到而事先不知道的主题，你可以忽略它们

---

正如@Anony Mousse所说，这就像文本处理中的单词袋模型。

这就是我所说的一个热编码。对于主题数组，我可以这样做吗（以一个有3个主题的用户为例）：

0 1 0 1 0 1

我可以使用功能哈希吗？是的，您可以使用功能哈希，如中所述，请记住，对于所有用户，功能集应该相同，因此您需要列出所有主题，然后构建一个热编码。确定。对于添加新主题（主题由ID引用）的情况，您有什么建议？我认为一种热编码的方式是，在

N

维向量空间中将一个分类值表示为基向量。添加一个新主题相当于在

N+1

维度中表示主题，这意味着表示用户的向量的长度增加了1，所以我不需要重新训练数据集吗？