問(wèn)題起源：在pipeline轉(zhuǎn)換時(shí)，突然出現(xiàn)one_hot向量輸出維度為第2維為1。通過(guò)多次驗(yàn)證，發(fā)現(xiàn)第2維都是2而非1？問(wèn)題在哪里呢，最后發(fā)現(xiàn)第2維為2和第2維為1是輸入不同導(dǎo)致的？

case1:

y = np.array([1,0,1,1]).reshape(-1,1) json_pritimive = "sklearn.preprocessing.OneHotEncoder" obj = AIPrimitive() obj.load_from_json(json_pritimive) obj.fit(X_fit=y) obj.produce(X_produce=y)sklearn.preprocessing.OneHotEncoder fit start sklearn.preprocessing.OneHotEncoder fit over sklearn.preprocessing.OneHotEncoder produce start sklearn.preprocessing.OneHotEncoder produce over array([[0., 1.],[1., 0.],[0., 1.],[0., 1.]])

case2:

y = np.array([1,1,1,1]).reshape(-1,1) json_pritimive = "sklearn.preprocessing.OneHotEncoder" obj = AIPrimitive() obj.load_from_json(json_pritimive) obj.fit(X_fit=y) obj.produce(X_produce=y)sklearn.preprocessing.OneHotEncoder fit start sklearn.preprocessing.OneHotEncoder fit over sklearn.preprocessing.OneHotEncoder produce start sklearn.preprocessing.OneHotEncoder produce over array([[1.],[1.],[1.],[1.]])

case3:

y = np.array([1,1,2,0]).reshape(-1,1) json_pritimive = "sklearn.preprocessing.OneHotEncoder" obj = AIPrimitive() obj.load_from_json(json_pritimive) obj.fit(X_fit=y) obj.produce(X_produce=y)sklearn.preprocessing.OneHotEncoder fit start sklearn.preprocessing.OneHotEncoder fit over sklearn.preprocessing.OneHotEncoder produce start sklearn.preprocessing.OneHotEncoder produce over array([[0., 1., 0.],[0., 1., 0.],[0., 0., 1.],[1., 0., 0.]])

從這里可以看出axis=1的大小是由類別數(shù)量決定的，也符合one_hot向量的本質(zhì)。我的理解偏離本質(zhì)，固化的認(rèn)為第2維大小為2，而不是其他值。

總結(jié)

以上是生活随笔為你收集整理的sklearn one_hot向量输出维度第2维大小的本质的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。