Machine learning Keras中是否需要一个热编码？

我有一个标签为0-4的数据集。我使用以下代码将它们热编码到np数组中：

labels=（np.arange（5）=labels[：，None]）。astype（np.float32）

。我的问题是，我们必须对它们进行热编码吗？我是否可以将数字/浮动标签保持在0-4之间并使用它们？如果是这样的话，怎么做？

一个热编码让您能够估计每个类的概率。对于单个实数或整数类编码，网络永远不会为您提供相同的编码。如果你有相似的1类和5类，网络可能会混淆它们，它会给你平均结果，它会是1和5之间的一些数字，可能是2，3或4，以及介于两者之间的任何数字，但这些数字编码你的类，所以它将是完全错误的输出。

一个热编码使您能够估计每个类的概率。对于单个实数或整数类编码，网络永远不会为您提供相同的编码。如果你有相似的1类和5类，网络可能会混淆它们，它会给出平均结果，它会是介于1和5之间的一些数字，可能是2、3或4以及介于两者之间的任何数字，但这些数字对你的类进行编码，所以它将是完全错误的输出。

你的标签是什么

它们是“水平”、“强度”还是某种“度量”

• 如果是，最好不要对它们进行编码，只需将它们压缩在0和1之间。然后，您的模型将能够计算一个结果，即强度。但这永远不会是准确的

• 如果不是，那么您应该对标签进行编码，因为每个数字彼此不相关，它们是“离散的”，并且您的模型最好也显示离散的结果。然后每个结果将是每个类的结果的可能性（可能不完全是概率，取决于模型的参数）

---

简言之，如果你想测量某物的强度，一个变量。如果你想测量不同“类”的可能性，创建一个热向量

你的标签是什么

它们是“水平”、“强度”还是某种“度量”

• 如果是，最好不要对它们进行编码，只需将它们压缩在0和1之间。然后，您的模型将能够计算一个结果，即强度。但这永远不会是准确的

• 如果不是，那么您应该对标签进行编码，因为每个数字彼此不相关，它们是“离散的”，并且您的模型最好也显示离散的结果。然后每个结果将是每个类的结果的可能性（可能不完全是概率，取决于模型的参数）

---

---

简言之，如果你想测量某物的强度，一个变量。如果你想测量不同“类”的可能性，创建一个热向量

你将把数据应用于什么样的模型？我不确定我是否遵循。什么样的模型？你将把数据应用于什么样的模型？我不确定我是否遵循。什么样的模型？明白了。它们是水平的。只有0-4之间的离散整数。谢谢，明白了。它们是水平的。只有0-4之间的离散整数。谢谢，谢谢。你的答案也是正确的。我投了更高的票。很遗憾，我只能标记一个。谢谢。你的答案也是正确的。我投了更高的票。不幸的是，我只能标记一个。