「one-hotベクトル（ワンホットベクトル）」とは何か？
山崎講師
こんにちは。ゆうせいです。
今回は、機械学習の前処理でとてもよく使われる
「one-hotベクトル（ワンホットベクトル）」とは何か？を、新人エンジニアの方に向けてやさしく解説します。
この「one-hot（ワンホット）」という言葉、最初は「？？？」となりがちですが、
意味と使い方をきちんと理解すれば、データの前処理がグンとスムーズになりますよ！
結論！one-hotベクトルとは？
カテゴリ（文字やラベル）を、数値ベクトルで表す方法のひとつ
特徴は、「1つだけが1、他はすべて0」というシンプルな構造！
つまり、カテゴリ情報を「0と1のベクトル」で表現し直すことで、
機械学習モデルが理解できる数値の形に変換するんです！
具体例で理解しよう！
たとえば、「曜日」というカテゴリがあったとします。
["月", "火", "水"]
これをone-hotベクトルで表すとこうなります：
| 曜日 | one-hotベクトル |
|---|---|
| 月 | [1, 0, 0] |
| 火 | [0, 1, 0] |
| 水 | [0, 0, 1] |
ポイントは：
- 要素数＝カテゴリの数（ここでは3）
- その中で「1つだけが1」、残りは全部0
つまり「そのカテゴリであることを示すスイッチ」のようなイメージですね！
名前の由来：「one-hot」って何？
「one-hot」は英語で：
- one = ひとつ
- hot = アクティブ、スイッチが入っている状態
→ 「1個だけスイッチがONで、それ以外は全部OFF！」という状態をそのまま表しています。
まるでリモコンのボタンのように、1つだけ押されていて他は無反応。それがone-hotベクトルです。
どんな場面で使われるの？
| 使用例 | 内容 |
|---|---|
| 分類問題のラベル表現 | 正解ラベルを [0, 1, 0, 0, …] の形で表す |
| カテゴリ変数の前処理 | 文字情報を数値ベクトルに変換する |
| ニューラルネットワークの入力・出力 | 活性化関数や損失関数とセットで使われる |
たとえば、犬・猫・鳥の3クラス分類なら：
- 正解が「猫」なら [0, 1, 0]
- モデルの出力も同じ形にして学習・比較します
one-hotのメリット・デメリット
メリット
- モデルが扱える形（数値）になる
- 意味のない順序や距離を与えずに済む
- 実装が簡単で、解釈しやすい
デメリット
- カテゴリ数が多いと次元が増える（＝スパースになる）
- データ量が増えて、計算が重くなる可能性あり
他の表現方法とどう違う？
| 方法 | 特徴 |
|---|---|
| ラベルエンコーディング | 「月=0, 火=1, 水=2」など数値に置き換える→ 距離や大小の意味が生まれてしまう（NGな場合あり） |
| one-hotエンコーディング | 各カテゴリに1列ずつ → 意味のない数値的順序を防げる |
覚え方のコツ！
- 「ホットなスイッチが1つだけON」
- 「カテゴリごとの旗を1本だけ立てる」
- 「YES/NOを列ごとに表して、YESが1本だけ」
というふうに、「1つだけ選ばれている状態」をイメージすれば、すぐ覚えられます！
今後の学習の指針
one-hotベクトルの意味がつかめたら、次はこんなことを学んでみましょう：
- Python（pandas / scikit-learn）で
get_dummies()やOneHotEncoderを使ってみる - ダミー変数との違いを学んで、線形回帰などで使い分けられるようにする
- カテゴリが多い場合の対処法（例：ターゲットエンコーディング、エンベディングなど）を検討する
one-hotは「機械学習が理解できるように、データを“翻訳”する大事なステップ」です。
データ前処理の基礎として、しっかり理解しておきましょう！
生成AI研修のおすすめメニュー
投稿者プロフィール
