特征哈希（Feature Hashing/Hashing Trick）
大多数机器学习算法的输入要求都是实数矩阵，将原始数据转换成实数矩阵就是所谓的特征工程（Feature Engineering），而特征哈希（feature hashing，也称哈希技巧，hashing trick）就是一种特征工程技术。它的目标就是将一个数据点转换成一个向量。目的是降维；
分类数据（categorical data）和文本数据（text data）进行特征工程处理
分支主题
分类数据
分类变量（category variable）就是一组有有限值（finite number of values）的变量。如身份证号、广告类别等。
最常见的对分类变量的处理是使用one-hot encoding：创建NN个二元变量，其中NN是该分类变量所有可能的取值数量。
文本数据
最简单的方法是词袋模型（bag-of-word model）：创建NN个二元变量，其中N是词汇的数量（即不同单词的数量）。
对于每个文档来说，创建一个NN维向量，文档中包含的某个词汇的数量即是这个向量中词汇对应的索引的值。
哈希表有如下特性
不同的输入可能有相同的输出（一般情况下比例不高）--碰撞
不同的输出一定对应不同的输入
正向计算很简单，反向计算很困难
根据输入查找输出效率很高
hashing trick，Feature hashing
将所有的原始数据转换成指定范围内的散列值
好处：即便对于不在词汇表中的单词，我们依然可以计算出一个散列值，因此不容易被规避，也不需要事先准备词汇表，新特征的转换对输入特征的长度不影响（因为事先已经定义好了散列范围）
只需要散列新来的数据，并不需要重新对所有数据进行哈希处理，所以支持在线学习
经过哈希特征工程之后，原来非常稀疏的向量可能会变得不那么稀疏
尽管有散列冲突，但是研究和实践表明，这种影响很小。
缺点：缺乏可解释性，因为特征被处理成无法解释的散列值了。尽管如此，这个技巧才很多时候非常有用。
特征哈希的使用技巧
使用哈希特征的时候需要选择散列的范围，这个并没有统一的标准。较小的散列范围会导致较多的冲突，影响准确性，较大的范围会占用较高的内存和花费较多的训练时间。因此，在实际情况中，要根据你的目标选择，如果不考虑训练时间的话，可以考虑使用较大范围的散列结果。
