详解one-hot编码

博主原创文章,转载请注明出处

https://www.cnblogs.com/shuaishuaidefeizhu/p/11269257.html

 

一、什么是one-hot编码?

One-Hot编码,又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。

二、one-hot编码过程详解

比如我们要对 “hello world” 进行one-hot编码,怎么做呢?

1.确定要编码的对象--hello world,

2.确定分类变量--h  e  l  l  o  空格  w  o  r  l  d,共27种类别(26个小写字母 + 空格,);

3.以上问题就相当于,有11个样本,每个样本有27个特征,将其转化为二进制向量表示,

这里有一个前提,特征排列的顺序不同,对应的二进制向量亦不同(比如我把空格放在第一列和a放第一列,one-hot编码结果肯定是不同的)

因此我们必须要事先约定特征排列的顺序:

1.、27种特征首先进行整数编码:a--0,b--1,c--2,......,z--25,空格--26

2、27种特征按照整数编码的大小从前往后排列

得到的one-hot编码如下:

 

再比如:我们要对["中国", "美国", "日本"]进行one-hot编码,

怎么做呢?

1.确定要编码的对象--["中国", "美国", "日本", "美国"],

2.确定分类变量--中国    美国    日本,共3种类别;

3.以上问题就相当于,有3个样本,每个样本有3个特征,将其转化为二进制向量表示,

 

我们首先进行特征的整数编码:中国--0,美国--1,日本--2,并将特征按照从小到大排列

得到one-hot编码如下:

["中国", "美国", "日本", "美国"]  --->   [[1,0,0], [0,1,0], [0,0,1], [0,1,0]]

 

三、为什么需要one-hot编码?

one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。

上面的 hello world 相当于多分类的问题(27分类),每个样本只对应于一个类别(即只在对应的特征处值为1,其余地方值为0),而我们的分类结果,得到的往往是隶属于某个类别的概率,这样在进行损失函数(例如交叉熵损失)或准确率计算时,变得非常方便

 

四、one-hot编码的缺陷

one-hot编码要求每个类别之间相互独立,如果之间存在某种连续型的关系,或许使用distributed respresentation(分布式)更加合适。

转载于:https://www.cnblogs.com/shuaishuaidefeizhu/p/11269257.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像分割的one-hot编码是一种将标签图像转换为多通道矩阵的编码方式,每个通道对应一个类别。在图像分割任务中,如果标签图像有多个目标类别(加上背景类别),则可以使用one-hot编码来表示。一般来说,先将标签图像中的颜色值映射为对应的标签,然后将标签图像转换为one-hot编码。 方法一是将标签图像中的颜色值映射为对应的标签,然后将标签转换为one-hot编码。比如给定一个彩色标签图像gt,其中包含5个目标类别和1个背景类别,每个类别对应一个颜色值。首先,需要定义一个颜色映射表palette,将每个颜色值与对应的类别进行映射。然后,根据颜色映射表,将标签图像转换为one-hot编码,得到一个形状为[H, W, 6]的张量gt_onehot,其中H和W分别表示标签图像的高度和宽度。 方法二是直接使用编程语言提供的函数来实现one-hot编码。比如使用PyTorch,可以使用scatter_函数将单通道的标签图像变换为多通道的one-hot编码。首先,定义一个单通道的标签图像x,其形状为[1, 1, 6, 6],大小为6×6。然后,创建一个形状为[1, 6, 6, 6]的全零张量x_onehot作为模板。最后,使用scatter_函数将标签图像x中的像素值作为索引,将对应位置的像素值设置为1,得到多通道的one-hot编码x_onehot。 需要注意的是,如果标签图像是彩色图像,需要先将RGB颜色值映射为标签,然后再进行one-hot编码。这个过程可能比较繁琐,所以使用方法一比较方便。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [【图像分割】图像分割中数据预处理 One-hot 编码的两种实现方式](https://blog.csdn.net/baidu_36511315/article/details/105528546)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [图像分割中的Mask,color table 和label ,one-hot代码详解](https://blog.csdn.net/weixin_38632246/article/details/103983447)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值