使用keras对浮点数组进行单热编码

Question

首先，我是stackoverflow的新手，所以如果有办法改进我提出问题的方式，或者我错过了一些明显的东西，请指出我的意思！

我正在Keras建立一个分类卷积网络，要求网络预测参数用于生成图像。这些类以5个浮点值编码，例如类的列表可能如下所示：

[[0.], [0.76666665], [0.5], [0.23333333], [1.]]

我想使用keras.utils.to_categorical(y, num_classes=5, dtype='float32')函数对这些类进行单热编码。

但是，它返回以下内容：

array(
    [
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.]
    ], 
dtype=float32)

它只需要整数作为输入，因此它将所有值< 1.映射到0。我可以通过将所有值乘以常数来避免这种情况，因此它们都是整数，我认为在scikit学习中也有一种解决这个问题的方法，但这听起来像是一个解决这个问题的巨大解决办法在keras里面，这让我相信我错过了一些明显的东西。

我希望有人能够使用Keras指出一个简单的替代方案。

Answer 1

由于浮点值的连续性，不建议尝试对它们进行热编码。相反，你应该尝试这样的事情：

a = {}
classes = []

for item, i in zip(your_array, range(len(your_array))):
    a[str(i)] = item
    classes.append(str(i))

encoded_classes = to_categorical(classes)

字典是为了以后可以引用实际值。

编辑：在nuric发表评论后更新。

your_array = [[0.], [0.76666665], [0.5], [0.23333333], [1.]]

class_values = {}
classes = []

for i, item in enumerate(your_array):
    class_values[str(i)] = item
    classes.append(i)

encoded_classes = to_categorical(classes)

Answer 2

另一种选择是使用OneHotEncoder的sklearn：

from sklearn.preprocessing import OneHotEncoder

encoder = OneHotEncoder(categories='auto')

input = [[0.], [0.76666665], [0.5], [0.23333333], [1.]]
output = encoder.fit_transform(input)

print(input)
print(output.toarray())

输出：

[[0.0], [0.76666665], [0.5], [0.23333333], [1.0]]
[[ 1.  0.  0.  0.  0.]
 [ 0.  0.  0.  1.  0.]
 [ 0.  0.  1.  0.  0.]
 [ 0.  1.  0.  0.  0.]
 [ 0.  0.  0.  0.  1.]]