确定 scikit learn FeatureHasher 的 n_features 值答案

【问题标题】：Deciding n_features value for scikit learn FeatureHasher确定 scikit learn FeatureHasher 的 n_features 值
【发布时间】：2019-01-07 18:48:44
【问题描述】：

我有一个包含 4000 个不同级别的分类列。

当使用sklearn.feature_extraction.FeatureHasher 进行编码时，该列避免碰撞的 n_features 值应该是多少？

【问题讨论】：

标签： machine-learning scikit-learn feature-extraction

【解决方案1】：

n_features 应尽可能大以避免冲突。您是否可以计算所有 4000 个级别中的所有唯一值？如果是，您可以将n_features 设置为此值。将n_features 设置为非常大的值可能会占用大量 RAM。一般n_features在2^28到2^32之间就足够了

【讨论】：

在研究 FeatureHasher 时，我们正在研究它以减少生成的编码表的维度。如果我必须使用 4000 作为 n_features 我会更好地使用 oneHotEncoding 吗？
“您是否可以计算所有 4000 个级别的所有唯一值”.. - 我不明白这一点。 - 数据集的实际大小为 7,00,000，其中一个分类列有 4000 个唯一值！
对不起，我也不明白。