在机器学习中表示任意长的分类数组数据

Question

让我们说我有一个用户数据，我想为机器学习任务“矢量化”。它采用以下格式：

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

年龄和性别等数据我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，我可以使用单热编码来表示它。但是，请考虑以下事项：

• 主题数量可能正在变化（即添加/删除主题）。这意味着单热编码中矢量的长度会发生变化。
• 用户可以拥有任意数量的主题。

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：用户可以拥有任意数量的分类数据的最佳方式是什么？

谢谢！

Answer 1

首先，你应事先了解所有可能的科目。 第二，为每个主题创建一个这样的功能：

subj1 subj2 .... subj1000
0       1             0

这里用户没有subj1和subj1000但是有subj2。

对于未来事先未知的主题，您可以忽略它们。

正如@ Anony-Mousse所说，这就像文字处理中的Bag of Words模型一样。