Dota2英雄阵容胜率预测分类模型的输入编码方案咨询

针对你用Dota2英雄组合预测胜率的需求，以下几种编码方案既能规避英雄编号无意义、独热编码维度爆炸的问题，又能有效捕捉英雄组合的核心特征：

1. 集合型二进制编码（精简版独热） #

• 实现方式：将123个英雄视为一个固定集合，为每支队伍生成长度为123的二进制向量——某英雄在队伍中则对应位置标1，否则标0。比如Radiant队包含英雄59、128，向量的第59、128位设为1，其余位置为0。
• 核心优势：完全忽略英雄顺序，精准还原队伍的英雄构成；总维度仅为123×2=246，远低于按5个位置单独独热的615维。
• 注意事项：若模型需要区分阵营，需将Radiant和Dire的向量分开输入，避免特征混淆。

2. 英雄嵌入（Embedding）编码 #

• 实现方式：
  1. 为每个英雄初始化一个低维向量（通常设为16-64维）；
  2. 对单支队伍的5个英雄向量做聚合操作（如取均值、求和或最大值），得到代表整支队伍的特征向量；
  3. 将Radiant和Dire的聚合向量拼接后作为模型输入。
• 核心优势：
  • 维度极低（以16维为例，双方向量拼接后仅32维），训练效率高；
  • 嵌入向量可随模型端到端训练，自动学习英雄间的关联规律（如高胜率搭配的英雄向量会更相似）。
• 适配场景：适合用神经网络（MLP、CNN等）训练的预测模型。

3. 统计特征编码 #

• 实现方式：提前基于数据集统计英雄的全局属性，再将队伍的英雄组合转换为这些统计值的聚合：
  • 单英雄维度：队伍5个英雄的平均胜率、最高胜率、总出场率；
  • 组合维度：队伍内所有英雄两两组合的平均协同胜率（需保证数据集样本量足够支撑统计）。
• 核心优势：维度极低（仅数个到数十个特征），可解释性强，能直接关联英雄的统计属性与胜率。
• 局限性：依赖统计数据的准确性，无法捕捉未出现过的英雄组合的潜在关联。

4. 哈希编码（Hashing Trick） #

• 实现方式：将队伍的英雄编号集合（如"59,128,137,22,41"）视为字符串，通过哈希函数映射到固定长度的低维向量（如256维），少量冲突的组合会共享同一位置，在数据量足够大时影响可忽略。
• 核心优势：实现简单，维度可灵活控制，无需预先定义所有英雄的特征空间。
• 注意事项：哈希冲突可能损失少量特征信息，适合快速迭代的测试场景。

内容的提问来源于stack exchange，提问作者Dominik Li