我正在关注here和here的例子，我对Keras来说是全新的 . 它看起来很神奇 - 但我不明白 .
我有一个8级分类问题 . 我的训练集有5120行和62列，最后一列是目标变量 .
我的目标变量当前被编码为浮点数，因此我将它们转换为整数，然后使用to_categorical将其转换为模型的虚拟矩阵 . 结果是numpy.ndarray的形状（num_samples，num_classes 1） . 谁知道为什么？
这是代码：
import numpy as np
from keras.utils.np_utils import to_categorical
dataset = np.loadtxt("train_pl.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:61] #I have 5120 rows.
Y = (dataset[:,62]).astype(int) #class labels 1 to 8 inclusive
#print Y.shape #(5120,)
#print np.unique(Y) #1 2 3 4 5 6 7 8
y_binary = to_categorical(Y)
print y_binary.shape #(5120, 9) - why does this have 9 columns?
编辑
我不明白给出答案的原因是我不明白Keras实际上将类标签解释为数字 . 例如，因为我的类被标记为1到8，所以Keras看标签'1'并且说'那是1 - 我将它放在单热矢量中的'1'位置，如下所示：0 1 0 0 0 0 0 0 0.它与'2'相同：0 0 1 0 0 0 0 0 0，最多8个 . 这就是为什么有一个额外的列：处理'0'的情况，这不是' t存在于映射中 . 从技术上讲，接受的答案解释说，这只是提供了更多细节 .
1 回答
因为
to_categorical将类向量（整数 from 0 转换为nb_classes）转换为二进制类矩阵，以便与here中记录的categorical_crossentropy一起使用 .