NumPy эквивалент функции Keras utils.to_categorical
У меня есть скрипт Python, который использует Keras для машинного обучения. Я создаю X и Y, которые являются характеристиками и метками соответственно.
Этикетки построены так:
def main=():
depth = 10
nclass = 101
skip = True
output = "True"
videos = 'sensor'
img_rows, img_cols, frames = 8, 8, depth
channel = 1
fname_npz = 'dataset_{}_{}_{}.npz'.format(
nclass, depth, skip)
vid3d = videoto3d.Videoto3D(img_rows, img_cols, frames)
nb_classes = nclass
x, y = loaddata(videos, vid3d, nclass,
output, skip)
X = x.reshape((x.shape[0], img_rows, img_cols, frames, channel))
Y = np_utils.to_categorical(y, nb_classes) # This needs to be changed
Используемая функция "to_categorical" в Keras объясняется следующим образом:
to_categorical
keras.utils.to_categorical(y, num_classes=None)
Converts a class vector (integers) to binary class matrix.
Теперь я использую NumPy. Не могли бы вы сообщить мне, как собрать одну и ту же строку кода, чтобы она работала? Другими словами, я ищу эквивалент функции to_categorical в NumPy.
Почему бы вам просто не пойти дальше и не использовать код из github.com/keras-team/keras/blob/master/keras/utils/np_utils .py, ссылаясь на его источник?
Ответы 3
Что-то вроде этого (я не думаю, что есть встроенный):
>>> import numpy as np
>>>
>>> n_cls, n_smp = 3, 10
>>>
>>> y = np.random.randint(0, n_cls, (n_smp,))
>>> y
array([0, 1, 1, 1, 2, 2, 1, 2, 1, 1])
>>>
>>> res = np.zeros((y.size, n_cls), dtype=int)
>>> res[np.arange(y.size), y] = 1
>>> res
array([[1, 0, 0],
[0, 1, 0],
[0, 1, 0],
[0, 1, 0],
[0, 0, 1],
[0, 0, 1],
[0, 1, 0],
[0, 0, 1],
[0, 1, 0],
[0, 1, 0]])
На самом деле в моем коде «y» - это фактические данные, а «nbclasses» - это метки, поэтому я назначаю метки данным, которые представляют собой набор файлов * .csv. Это до обучения классификатора. Вы знаете, как это сделать?
@ Дэнни, я не уверен, что понимаю на 100%. Вы хотите добавить столбцы к своим данным? По одному на каждую категорию?
У меня есть готовые данные, и затем мне нужно создать X и Y. X - это функции, а Y - метки этих функций. Я создал X следующим образом: X = x.reshape((x.shape[0], img_rows, img_cols, frames, channel)) Теперь мне нужно создать Y - метки функций.
@Danny Я думаю, было бы проще, если бы вы могли обновить свой вопрос небольшим, но полным примером того, что у вас есть сейчас и что вы хотите получить.
Сделанный. Я только что обновил его, думаю, sklearn также можно использовать с NumPy.
@ Дэнни, я ценю усилия, но я не это имел в виду. Я имел в виду пример (например, '[4, 0, 1, 0]') того, как может выглядеть y и как должен выглядеть Y. Во всяком случае, я проверил, то, что я написал, работает более или менее так же, как to_categorical; единственная разница в том, что to_categorical возвращает числа с плавающей запятой. Чтобы получить такое же поведение, просто оставьте dtype=int в res = np.zeros((y.size, n_cls), dtype=int).
Попробуйте использовать get_dummies.
>>> pd.core.reshape.get_dummies(df)
Out[30]:
cat_a cat_b cat_c
0 1 0 0
1 1 0 0
2 1 0 0
3 0 1 0
4 0 1 0
5 0 0 1
Мне это кажется заменой одной библиотеки без numpy на другую без numpy.
Вот один простой способ сделать это:
np.eye(nb_classes)[y]
to_categoricalнаписан на чистом NumPy. Вы можете просто скопировать из него исходный код.