硬标签、软标签、单标签、多标签的概念

  • 硬标签:用于单一分类任务中,一般用在二分类任务中。对于一个类别,只有属于或不属于。
  • 软标签:用概率分布表示属于某个类别的概率。例如,对于一个三分类任务,一个样本的软标签可以是[0.3, 0.5, 0.2],表示样本属于三个类别的可能性分别为30%、50%和20%。
  • 单标签:每个样本只有一个明确的类别,比如一个三分类任务,一个样本的单标签可以是[1,0,0] 、[0,1,0]或[0,0,1],表示样本明确属于哪一个类别。
  • 多标签:一个样本可以有多个标签。比如在情感分析中(高兴、兴奋、快乐、抑郁、悲伤五分类),一个样本由3个专家给出标签,由于专家们意见不统一,三个专家分别认为是高兴、兴奋、快乐。因此该样本的标签为[1,1,1,0,0]

值得注意的是,软标签与多标签类似,他们都是允许一个样本可以归属不同类别,不同的是,软标签以概率的形式,表示有多大可能属于这个类别;多标签则是只要有专家认为样本属于这个类别,那么这个样本就属于这个类别。

硬标签与单标签是相似的,硬标签强调该样本是否属于该类别确定的(该类别:如三分类中,A,B,C三类,A对于这个样本来说就是该类别,硬标签一定给出属于还是不属于,软标签却是用概率描述样本属于这个类别有多大可能);单标签表示样本有多个类别,但一个样本只能属于一个类别,如:如三分类中,A,B,C三类,样本的单标签只能为A或B或C类,如果样本的单标签为A,那么样本对于A的硬标签是:样本属于A,样本不属于B,样本不属于C;这里可以看出硬标签与单标签是可以同时使用的,为了加以区分,我们在二分类任务中用硬标签这种术语,在三分类及以上用单标签描述样本属于那个类别

  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
无序映射是指特征内部取值是无序的情况下的编码方式。标签映射是一种传统的编码方式,将类别特征的不同取值按照大小顺序编码成0-(n-1)之间的整数。这种编码方式适用于类别特征内部取值有序的情况。例如,对于学历这个特征,可以使用标签编码将"undergraduate"编码为0,"master"编码为1,"PhD"编码为2,"Postdoc"编码为3。\[1\] 独热编码是一种使用N位状态寄存器来对N个状态进行编码的方式。每个状态都由独立的寄存器位表示,其中只有一位是1,其余位都是0。独热编码主要适用于特征内部取值无序的情况。例如,对于颜色这个特征,可以使用独热编码将"红"编码为\[1, 0, 0\],"蓝"编码为\[0, 1, 0\],"绿"编码为\[0, 0, 1\]。\[2\] 在机器学习中,无序映射可以使用标签映射或独热编码来进行。标签映射适用于特征内部取值有序的情况,而独热编码适用于特征内部取值无序的情况。选择使用哪种编码方式取决于特征的性质和机器学习算法的要求。如果特征内部取值有序,可以使用标签映射;如果特征内部取值无序,可以使用独热编码。\[1\]\[2\] #### 引用[.reference_title] - *1* *2* [机器学习的多种编码方式,独热、标签等](https://blog.csdn.net/weixin_43544567/article/details/120462446)[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^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [独热编码(One-Hot Encoding)](https://blog.csdn.net/yanghaoji/article/details/123734304)[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^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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