嵌入矩陣 vs 獨熱編碼
Embedding Matrix vs One-hot Encoding
嵌入矩陣 側重 嵌入矩陣是深度學習中將離散變數映射為連續稠密向量的權重矩陣，能有效捕捉詞彙或特徵間的語意與結構關聯性。，而 獨熱編碼 側重 獨熱編碼是一種將類別資料轉換為二元向量的方法，為每個類別建立獨立欄位，存在時標記為 1，其餘為 0。
逐項比較
| 項目 | 嵌入矩陣 | 獨熱編碼 |
|---|---|---|
| 一句定義 | 嵌入矩陣是深度學習中將離散變數映射為連續稠密向量的權重矩陣，能有效捕捉詞彙或特徵間的語意與結構關聯性。 | 獨熱編碼是一種將類別資料轉換為二元向量的方法，為每個類別建立獨立欄位，存在時標記為 1，其餘為 0 |
| 常見標籤 | 深度學習、自然語言處理、神經網路、推薦系統、source:ipas | 資料處理、特徵工程 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 嵌入矩陣在模型推論階段的計算成本高嗎？ | 獨熱編碼後的向量長度是多少？ |