多分类任务
- 多分类神经网络
多分类神经网络
如果我们要训练一个神经网络算法来识别路人、汽车、摩托车和卡车，在输出层我们应该有 4 个值。例如，第一个值为 1 或 0 用于预测是否是行人，第二个值用于判断是否为汽车。 输入向量 x 有三个维度，两个中间层，输出层 4 个神经元分别用来表示 4 类，也就是每一个数据在输出层都会出现$[a,b,c,d]^T$ ，且 a,b,c,d 中仅有一个为 1，表示当前类。下面是该神经网络的可能结构示例：
训练集的形式如下，注意使用one-hot方式表示y：
补充说明
分类问题的Label（即y）编码问题：
one-hot的基本思想：将离散型特征的每一种取值都看成一种状态，若你的这一特征中有N个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。
如果分类问题有四个结果，
我们不会将y的取值为：0，1，2，3
而是会将y表示为一个1*4的向量，如上图。
牛刀小试
实现one-hot编码函数
import numpy as np
import tqdm
def onehot(x):
unique_values = list(set(x))
number_of_dimension = len(unique_values)
onehot_features = np.zeros(shape=(len(x), number_of_dimension))
for row in tqdm.tqdm(range(len(x))):
onehot_features[row, unique_values.index(x[row])] = 1
return onehot_features
y = np.array([1, 2, 3, 4, 5, 1, 2])
onehot(y)