在机器学习分类任务中，将标签标准化为正介面，为什么推荐它？

Question

当执行分类任务时，假设我们有3个符号-2，-1，0的目标。我在某个地方读到，把标签标准化为正整数是一种很好的做法。在本例中，假设我们将其更改为2，1，0。为什么是推荐的？

从理论上讲，我认为这不重要，因为每一节课都是独一无二的。但在实践中这很重要，为什么？

Answer 1

有人能给我解释一下吗？当执行分类任务时，假设我们有3个符号-2，-1，0的目标。我在某个地方读过，把标签标准化为正整数是一种很好的做法。在本例中，假设我们将其更改为2，1，0。为什么是推荐的？

你能链接到这个参考资料吗？通常，在实践中，您根本不会使用整数标签。相反，您将使用一个热编码标签。在这里，由于有3个输出类，神经网络将有3个输出节点。具体而言，这些类可以表示如下：

• 0 == > 1 0 0
• -1 == > 0 1 0
• -2 == > 0 0 1

三位中有一位被打开。这是因为在实践中，神经网络的输出可能是乙状结肠(输出:范围0,1)或软最大函数(输出:概率)。

Answer 2

对于机器学习框架，重要的是输入在指定的范围内.要求目标标签是积极的，使后续的代码和解释更加容易。

Answer 3

当整数为正数并从0开始时，它们可以用作查询某些集合的索引，如张量列表或字符串列表。