任何二进制单热编码只能识别训练中看到的值，因此在安装过程中未遇到的功能将被忽略。 对于实时，如果您在一秒钟内拥有数百万条记录，并且功能具有非常高的基数，则需要使用数据更新hasher / mapper。
我们如何对hasher进行增量更新（而不是每次我们处理新的特征值对时计算整个fit（））？在这里解决这个问题的建议方法是什么？
答案 0 :(得分：0)
sklearn.feature_extraction.FeatureHasher的美妙之处在于它不需要调用fit。它是无国籍的，并且在不事先知道词汇的情况下转换词汇。
示例：
from sklearn.feature_extraction import FeatureHasher
print "Feature Hasher 1"
f = FeatureHasher()
mat = f.transform([{"A":1, "B":2}])
print "Indicies:",mat.indices
print "Values:", mat.data
print
print "Feature Hasher 2"
f = FeatureHasher()
mat = f.transform([{"B":2, "C":3}])
print "Indicies:",mat.indices
print "Values:", mat.data
产地：
Feature Hasher 1
Indicies: [628086 849870]
Values: [-2. 1.]
Feature Hasher 2
Indicies: [196981 628086]
Values: [-3. -2.]
正如您所看到的，即使新功能已将"B"一致地映射到628086。
为避免与大量功能发生哈希冲突，您应使用FeatureHasher值n_features。
f = FeatureHasher(n_features=2**30)
此外，如果稍后重新实例化FeatureHasher，则必须使用相同的n_features值进行兼容的功能映射。
这确实使您的模型必须支持稀疏功能集。对于SGDClassifier，使用sparsify()方法进行设置。