واحد ساخن

يُستخدم ترميز "الترميز الأحادي الساخن" عادةً للإشارة إلى حالة آلة الحالة . عند استخدام النظام الثنائي ، يلزم وجود مُفكِّك لتحديد الحالة. أما آلة الحالة ذات الترميز الأحادي الساخن، فلا تحتاج إلى مُفكِّك، لأن آلة الحالة تكون في الحالة رقم n إذا، وفقط إذا، كانت البتة رقم n عالية.

يُعدّ عداد حلقي ذو 15 حالة مرتبة تسلسليًا مثالًا على آلة الحالة. في تطبيق "الترميز الأحادي"، يتم توصيل 15 قلابًا على التوالي، حيث يكون خرج Q لكل قلاب متصلًا بمدخل D للقلاب التالي، ومدخل D للقلاب الأول متصلًا بخرج Q للقلاب الخامس عشر. يُمثل القلاب الأول في السلسلة الحالة الأولى، والثاني الحالة الثانية، وهكذا حتى القلاب الخامس عشر الذي يُمثل الحالة الأخيرة. عند إعادة ضبط آلة الحالة، تُعاد جميع القلابات إلى القيمة '0' باستثناء القلاب الأول في السلسلة، الذي يُعاد ضبطه إلى القيمة '1'. عند وصول حافة الساعة التالية إلى القلابات، ينتقل البت "الساخن" إلى القلاب الثاني. يستمر البت "الساخن" في الانتقال بهذه الطريقة حتى الحالة الخامسة عشرة، وبعدها تعود آلة الحالة إلى الحالة الأولى.

يقوم مُفكِّك العناوين بتحويل البيانات من النظام الثنائي إلى نظام الترميز الأحادي. بينما يقوم مُشفِّر الأولوية بتحويل البيانات من نظام الترميز الأحادي إلى النظام الثنائي.

في معالجة اللغة الطبيعية ، يُستخدم المتجه ذو الترميز الأحادي (one-hot vector) - وهو مصفوفة (متجه) بحجم 1  × N - لتمييز كل كلمة في معجم معين عن باقي الكلمات فيه. ^{[ 5 ]} يتكون المتجه من أصفار في جميع الخلايا باستثناء خلية واحدة تحتوي على الرقم 1، وتُستخدم هذه الخلية بشكل فريد لتحديد الكلمة. يضمن الترميز الأحادي عدم افتراض التعلم الآلي أن الأرقام الأعلى أكثر أهمية. على سبيل المثال، القيمة '8' أكبر من القيمة '1'، لكن هذا لا يجعل '8' أكثر أهمية من '1'. وينطبق الأمر نفسه على الكلمات: فقيمة 'laughter' ليست أكثر أهمية من 'laugh'. 

في مجال تعلم الآلة، يُعدّ الترميز الأحادي الساخن طريقة شائعة الاستخدام للتعامل مع البيانات الفئوية. ولأن العديد من نماذج تعلم الآلة تتطلب أن تكون متغيرات الإدخال رقمية، فإن المتغيرات الفئوية تحتاج إلى تحويل في مرحلة المعالجة المسبقة. ^{[ 6 ]}

يمكن أن تكون البيانات الفئوية اسمية أو ترتيبية . ^{[ 7 ]} تتميز البيانات الترتيبية بترتيب قيمها، وبالتالي يمكن تحويلها إلى بيانات رقمية من خلال الترميز الترتيبي. ^{[ 8 ]} مثال على البيانات الترتيبية هو تقييمات اختبار تتراوح من A إلى F، والتي يمكن ترتيبها باستخدام الأرقام من 6 إلى 1. نظرًا لعدم وجود علاقة كمية بين القيم الفردية للمتغيرات الاسمية، فإن استخدام الترميز الترتيبي قد يُنشئ علاقة ترتيبية وهمية في البيانات. ^{[ 9 ]} لذلك، غالبًا ما يُطبق الترميز الأحادي الساخن على المتغيرات الاسمية لتحسين أداء الخوارزمية.

لكل قيمة فريدة في العمود التصنيفي الأصلي، يتم إنشاء عمود جديد في هذه الطريقة. ثم يتم ملء هذه المتغيرات الوهمية بالأصفار والآحاد (1 تعني صحيح، 0 تعني خطأ).

نظرًا لأن هذه العملية تُنشئ متغيرات جديدة متعددة، فإنها عُرضة لمشكلة "القيمة الاحتمالية الكبيرة" (عدد كبير جدًا من المتغيرات التنبؤية) إذا كان هناك العديد من القيم الفريدة في العمود الأصلي. ومن عيوب الترميز الأحادي الساخن أيضًا أنه يُسبب ارتباطًا خطيًا متعددًا بين المتغيرات الفردية، مما قد يُقلل من دقة النموذج.

كذلك، إذا كان المتغير الفئوي متغيرًا ناتجًا، فقد ترغب في تحويل القيم مرة أخرى إلى شكل فئوي لعرضها في تطبيقك. ^{[ 10 ]}

في الاستخدام العملي، غالبًا ما يتم هذا التحويل مباشرةً بواسطة دالة تأخذ بيانات تصنيفية كمدخلات وتُخرج المتغيرات الصورية المقابلة. ومن الأمثلة على ذلك دالة dummyVars في مكتبة Caret في لغة R. ^{[ 11 ]}