任何二进制的一热编码都只能识别训练过程中见过的值，因此在拟合过程中未遇到的特征会被悄无声息地忽略。对于实时系统来说，每秒处理数百万条记录，且特征具有非常高的基数，你需要不断更新你的哈希器/映射器以适应数据。
我们如何对哈希器进行增量更新（而不是每次遇到新的特征-值对时都重新计算整个fit()）？这里有什么建议的方法来解决这个问题吗？
回答：
这取决于你使用的学习算法。如果你使用的是针对稀疏数据集设计的方法（如FTRL、FFM、线性SVM），一种可能的方法如下（请注意，这会导致特征的冲突和大量的常数列）。
首先为你的样本的每个元素分配一个尽可能大的向量V，长度为D。
对于每个分类变量，计算hash(var_name + "_" + var_value) % D。这会给你一个整数i，你可以存储V[i] = 1。
因此，随着新特征的出现，V不会变得更大。然而，一旦特征数量足够大，一些特征会发生冲突（即被写入相同的位置），这可能会导致错误率增加…
编辑。你可以编写自己的向量化器来避免冲突。首先将当前特征数量称为L。准备一个长度为2L的相同向量V（这个2将允许你在新特征到达时避免冲突 – 至少在一段时间内，具体取决于新特征的到达率）。
从一个空的dictionary<input_type,int>开始，为每个特征关联一个整数。如果已经见过该特征，返回与该特征对应的整数。如果没有，则创建一个新条目，并用一个对应于新索引的整数。 我认为（但我不确定）这就是LabelEncoder为你做的工作。
