類別資料：特徵交叉點

透過集合功能整理內容 你可以依據偏好儲存及分類內容。

交叉特徵交叉的建立依據： 交錯組合 (使用笛卡兒乘積)，二種以上的類別式或值區分類 資料集特徵例如多項式 轉換， 交叉特徵交叉點可讓線性模型處理非線性關係。特徵交叉點 特徵之間的互動也經過編碼

舉例來說，假設有一個分葉資料集含有類別特徵：

• edges，包含值 smooth、toothed 和 lobed
• arrangement，包含值 opposite 和 alternate

假設上述順序是特徵欄在一次性模型中的順序 表示的分葉，因此具有 smooth 邊緣和 opposite 排列的分葉 表示為 {(1, 0, 0), (1, 0)}。

這兩個特徵的交錯組合或笛卡兒乘積即為：

{Smooth_Opposite, Smooth_Alternate, Toothed_Opposite, Toothed_Alternate, Lobed_Opposite, Lobed_Alternate}

其中每個字詞的值都是基本特徵值的乘積，例如 顯示：

• Smooth_Opposite = edges[0] * arrangement[0]
• Toothed_Opposite = edges[1] * arrangement[0]
• Lobed_Alternate = edges[2] * arrangement[1]

針對資料集中的任何特定範例，只有在下列情況中，特徵交叉才會等於 1 兩項基本功能在所有的交叉類別中，原始的單一向量是 1。 也就是說，具有邊緣斜坡和替代擺設的橡木葉子， 僅為 Lobed_Alternate 的值 1，上述交叉特徵會如下所示：

{0, 0, 0, 0, 0, 1}

這個資料集可以按照樹木分類，因此能將葉子分類 不會因物種大小而異

按這裡可比較多項式轉換 含有十字形

特徵交集 多項式轉換。 二者將多個特徵合併為新的合成特徵，模型可以 學習非線性多項式轉換通常會結合 數值資料，交叉點特徵則會合併類別型資料

十字形功能的使用時機

各領域知識可以提供實用的功能組合建議 再延伸。若缺乏網域知識，可能難以判斷 可交錯的跨式特徵或多項式轉換。這些做法通常可行 如果運算成本較高 類神經網路 在訓練期間，「自動」尋找並套用實用的特徵組合。

注意：交叉比對兩個稀疏特徵會產生平均稀疏型 取代兩項原始功能舉例來說，如果功能 A 是 100 元素稀疏特徵和特徵 B 是 200 元素的稀疏特徵 一個跨越 A 和 B 的特徵，就會產生 20,000 個元素的稀疏特徵。