machine-learning - 是否需要将多个分类标签从浮点值转换为单热编码
问题描述
我有 iris 示例,示例数据中的类型具有三个浮点值:0.0、1.0、2.0。
我只是猜测,它们之间的大小关系可能会误导训练模型。
我对吗?是否应该使用 one-hot 编码或其他方式将其转换为三个向量?
from keras.utils import np_utils
trainY = np_utils.to_categorical(trainY)
解决方案
在 iris 数据集中,有三个可能的标签。
转换为数字时,您会得到 0、1、2 个离散整数。所以,你有三个分类问题的类。
如果您将它们转换为一个热点,则使用categorical_crossentropy
else use sparse_categorical_crossentropy
。
推荐阅读
- batch-file - 删除目录中的重复文件
- node.js - node-sass 的离子问题:无法下载绑定
- python - 按降序显示 Google App Engine 中的内容
- reactjs - 检索 Redux 状态,但还要在同一个 React Native 组件中更改另一个 Redux 状态?
- excel - 如何在 Excel 中自动重新创建空白表格
- sql - 使用由单独脚本生成的 ID 插入与外键约束冲突
- serial-port - 使用wireshark重新创建FTDI配置
- ldap - LDAPS 在 Samba 4.3.11-Ubuntu 中不起作用
- c# - 获取每个实体框架类的列表的通用方法
- php - 如何在 2 个数组中打印第一个 15 天和下一个 15 天的所有日期?