1樓：明於心197
可以有多種處理方式。
（1）可以使用one-hot進行全部列出來；
（2）如果是乙個監督學習，可以使用GBDT進行訓練模型，然後應用GBDT的葉子節點進行編碼，這樣編碼長度會少很多（可以參考faceback的GBDT+LR模型的編碼格式）；
（3）如果是文字特徵，可以考慮使用embedding技術；
你這個問題提的太籠統了，最好是集中在某乙個任務型別，然後在進行遷移到別的方法上。
2樓：
如果不用深度學習的方法，可以借鑑傳統NLP詞袋模型的思想。假設特徵A有一萬個取值，那麼對於具體樣本x，設乙個長度為10000的向量，它有哪些具體取值就把哪一位置為1
例如，假設A有四種取值a b c d，x取了b c，對應的特徵表示就是 0 1 1 0
當然，還可以統計不同取值出現的次數，將所有罕見的都標記為未知值unk
3樓：深度學習雜談
把特徵(a-z,unk)建乙個詞庫，做乙個embeddings layer，每個特徵（a-z,unk）對應乙個embedding vector. 比如乙個樣本有3個特徵（a, f, z）和另乙個樣本有5個特徵（a,a,a,d,v）。這種情況把樣本用embedding vector表示，然後。
指定乙個樣本平均長度（最大長度也可以，取決於計算成本和精準度），進行填充。此處選6，則填充後的樣本長這樣：（a,f,z,unk,unk,unk）和（a,a,a,d,v,unk）。
填充完的就是padding過後的樣本了，等長的。然後就可以feed給帶有embeddings layer的任何一種神經網路了，且訓練完了以後，相近的embedding vector會自然聚集在一起。
機器學習中如何處理缺失資料？
核偏最小二乘 這裡的缺失值預設是輸入資料，而非標籤或者輸出。只談最簡單 最經典的概率隱變數模型 Probabilistic Latent Variable Model,PLVM 正如一些答主所言，這裡我們可以通過EM Variational Inference或者Monte Carlo Infere...
用機器學習的方法來處理大資料，是直接學 Spark，還是重點學習 Hadoop，了解 Spark？
stucou 搞機器學習重點是機器學習演算法和它背後的數學，底下分布式框架一波一波換，機器學習演算法原理變化不大 其次是分布式計算模型下如何實現這些演算法，有什麼限制 再其次是hadoop和spark這些分布式框架本身的設計和實現。 王二 spark吧，hadoop了解下就行，現在各大網際網路公司，...
使用機器學習處理分類問題時，若訓練樣本比較稀疏，可否向訓練語料中增加人工構造樣本，以提公升模型泛化能力？
戴威 樣本平衡肯定效果會更好 如果不會帶來其他影響可以.比如任意旋轉的話.W和M.好像挺像的 github看到過乙個做這方面操作的比較全的介紹aleju imgaug 張逸萌 可以。這個叫做 data augmentation。看一下 http cs231n.stanford.edu slides ...