从one-hot表示到标签

Question

我的预测是在张量pred下，而pred.shape是(4254, 10, 3)。所以我们有了维度为(10, 3)的4254矩阵。让我们看看这些矩阵中的一个。

W = array([[0.04592975, 0.09632163, 0.85774857],
          [0.03408821, 0.27141285, 0.6944989 ],
          [0.02538731, 0.4691383 , 0.50547445],
          [0.01959289, 0.6456455 , 0.33476162],
          [0.01333424, 0.7494791 , 0.23718661],
          [0.0109237 , 0.77042925, 0.218647  ],
          [0.01438793, 0.7796771 , 0.20593494],
          [0.01474626, 0.6817438 , 0.30350992],
          [0.02189695, 0.57687664, 0.40122634],
          [0.03810155, 0.5130332 , 0.44886518]], dtype=float32)

从上面的例子中可以看到，有10个向量代表一个标签的一个热点表示。例如，np.argmax([0.04592975, 0.09632163, 0.85774857]) = 2。

为什么我要按10个向量的批次进行操作？我正在研究一个时间序列预测问题，在time t_0上，我预测time t_1到time t_10的下10个标签。

对于这些矩阵中的每一个，我都有兴趣获得原始标签。所以对于矩阵W，我应该得到数组array([2, 2, 2, 1, 1, 1, 1, 1, 1, 1])。

让我们定义阈值数组threshold_array = np.array([0.6, 0.65, 0.70, 0.75, 0.80, 0.80, 0.80, 0.80, 0.80, 0.80])并取回labels = array([2, 2, 2, 1, 1, 1, 1, 1, 1, 1])。假设中立位置为1，操作为0或2。这里的目标是根据threshold_array和我们的矩阵W修改labels。

如果我用W[0]，我们知道np.argmax(W[0]) = 2和W[0][2] = 0.85774857。作为W[0][2] >= threshold_array[0]，labels[0]将仍然是2。

另一个例子有点不同。如果我用W[2]，我们知道np.argmax(W[2]) = 2和W[2][2] = 0.50547445。作为W[2][2] < threshold_array[2]，则labels[2]将从2更改为0。

如果我将该策略应用于来自W的每个向量，则labels现在被设置为array([2, 2, 0, 1, 1, 1, 1, 1, 1, 1])。请注意，只有动作才能成为中性位置，而不是相反的位置。

如何在python中对pred中每个矩阵W进行编码，得到一个维数为(4254, 10)的标签矩阵

Answer 1

我不确定这是不是解决这个问题的最佳方法，但这里有一个答案。

import numpy as np

threshold_array = np.array([0.6, 0.65, 0.70, 0.75, 0.80, 0.80, 0.80, 0.80, 0.80, 0.80])   

def get_labels(W, threshold_array):

    labels = []
    for i, vect in enumerate(W):
        neutral_position = 1
        label = np.argmax(vect)
        if label in [0, 2]:
            if vect[label] < threshold_array[i]:
                labels.append(neutral_position)
            else:
                labels.append(label)
        else:
            labels.append(label)
    return np.array(labels)

if __name__ == "__main__":
    labels = []
    for matrix in pred:
        labels.append(get_labels(matrix, theshold_array))
    labels = np.array(labels)