32. 标准化输出

数值与分类

让我们多了解一些标签。在可视化图像数据之后，你会看到每个图像都有一个附加的标签：“日”或“夜”，这些被称为 分类值 。

分类值通常是表示关于图像各种特征的文本值。几个例子是：

• 某个“动物”变量，其值为“猫”、“老虎”、“河马”和“狗”。
• 某个“颜色”变量，其值为“红色”、“绿色”和“蓝色”。

每个值代表不同的类别，大多数收集的数据都以这种方式标记！

这些标签对于我们来说是描述性的，但对于分类任务可能是低效的。许多机器学习算法没有；他们要求所有的输出都是数字的。数字很容易比较和存储在内存中，为此，我们经常需要将分类值转换为 数字标签 。你会遇到两种主要的方法：

1. 整数编码
2. 独热编码

整数编码

整数编码意味着为每个类别赋值一个整数值。所以，day = 1 和 night = 0。这是分离二进制数据的好方法，并且是我们为昼夜影像所做的。

独热编码

当有两个以上的值分开时，经常使用独热编码。一个热门标签是一个一维列表，是类的数量的长度。假设我们正在看动物变量，其值为“猫”、“老虎”、“河马”和“狗”。这个类别有四个类，所以我们的一个独热编码将是一个长度为四的列表。该列表将全部为 0 和 1；1 表示某个图像是哪一类。

例如，由于我们有四个类（猫、老虎、河马和狗），我们可以按照这个顺序给出一个列表：[猫值、老虎值、河马值、狗值]。一般来说，顺序无关紧要。

如果我们有一张图像，它的独热编码是 [0, 1, 0, 0] ，这是什么意思？

按照[猫值、老虎值、河马值、狗值]的顺序，这个标签表明这是一头老虎的形象！再举一个例子，标签 [0, 0, 0, 1] 呢？

SOLUTION:

狗