除了单热编码外，如何在机器学习中定义标签
how to define labels at machine learning excepts one-hot-encoding
我想制作可以 class 化属性而不是 class 的模型。
比如我输入这张图片的时候
我的模型输出'这件家具有[棕色，4条腿，面料sheet]'
我使用了预训练的 ResNet，但效果不佳。
所以我尝试制作新模型，但无法定义标签值
我认为one-hot-encoding无法达到我的目的。
我该如何实施？
给我一些想法..
你说得对可能不适用于单热编码，让我们看看你有哪些选择。
选项 1：仍然是一种热编码
如果你希望你的模型只输出有限数量的属性，并且它们不重叠，你可以有 k 个单热编码输出层。
例如，如果您具有 color、# of legs、material 属性，则这些属性永远不会重叠。然后，您可以让模型为每个输入图像预测颜色、腿数和 material。这些可以使用 3 个单热编码向量来表示和学习。
优点：
- 通常更容易训练
- 不会有冲突的预测
缺点：
- 需要分离class
选项 2：不使用 softmax、sigmoid FTW
如果您使用 sigmoidal 激活而不是 softmax（这是我假设您正在使用的），则每个输出节点都独立于其他输出节点。这样，每个输出都会给出自己的概率可能性。
在这种情况下，您的标签将不会被单热编码，而是一个二进制向量，具有可变数量的 1s 和 0s。
您很可能想取一个阈值概率，而不是寻找最大概率，即在评估时将所有概率 >80% 的输出作为预测标签。
优点：
- 不需要手动分离属性（因为我们将每个 class 视为彼此独立）
- 可变数量属性的简单表示
缺点：
- 从数学上和经验上看，这往往更难训练
- 有可能（坦率地说，很有可能）您会得到相互冲突的预测，即
4 legs 和 3 legs 都可能来自您的神经网络。您将需要处理这些情况。
这实际上归结为一种偏好，并且取决于您使用的数据类型。如果您可以选择属性的方式，您可以清楚地分离神经网络的选项以供选择，例如 color 和 material（假设您不能有两种颜色或两个 materials )，第一个选项可能是最好的。
有几种其他方法可以解决这个问题，但这些方法似乎最适用。
我想制作可以 class 化属性而不是 class 的模型。
比如我输入这张图片的时候
我的模型输出'这件家具有[棕色，4条腿，面料sheet]'
我使用了预训练的 ResNet，但效果不佳。
所以我尝试制作新模型，但无法定义标签值
我认为one-hot-encoding无法达到我的目的。
我该如何实施？
给我一些想法..
你说得对可能不适用于单热编码，让我们看看你有哪些选择。
选项 1：仍然是一种热编码
如果你希望你的模型只输出有限数量的属性，并且它们不重叠，你可以有 k 个单热编码输出层。
例如，如果您具有 color、# of legs、material 属性，则这些属性永远不会重叠。然后，您可以让模型为每个输入图像预测颜色、腿数和 material。这些可以使用 3 个单热编码向量来表示和学习。
优点：
- 通常更容易训练
- 不会有冲突的预测
缺点：
- 需要分离class
选项 2：不使用 softmax、sigmoid FTW
如果您使用 sigmoidal 激活而不是 softmax（这是我假设您正在使用的），则每个输出节点都独立于其他输出节点。这样，每个输出都会给出自己的概率可能性。
在这种情况下，您的标签将不会被单热编码，而是一个二进制向量，具有可变数量的 1s 和 0s。
您很可能想取一个阈值概率，而不是寻找最大概率，即在评估时将所有概率 >80% 的输出作为预测标签。
优点：
- 不需要手动分离属性（因为我们将每个 class 视为彼此独立）
- 可变数量属性的简单表示
缺点：
- 从数学上和经验上看，这往往更难训练
- 有可能（坦率地说，很有可能）您会得到相互冲突的预测，即
4 legs和3 legs都可能来自您的神经网络。您将需要处理这些情况。
这实际上归结为一种偏好，并且取决于您使用的数据类型。如果您可以选择属性的方式，您可以清楚地分离神经网络的选项以供选择，例如 color 和 material（假设您不能有两种颜色或两个 materials )，第一个选项可能是最好的。
有几种其他方法可以解决这个问题，但这些方法似乎最适用。