ترميز البيانات الفئوية في مهام التصنيف المتعدد باستخدام التابع to_categorical في مكتبة Keras

يمكنك استخدامها عبر الموديول:

keras.utils.np_utils

يقوم التابع  to_categorical بتحويل البيانات العددية إلى بيانات فئوية ممثلة بأصفار و واحدات ، حيث يقوم بترميز كل قيمة عددية مميزة  (ال class) في شعاع طوله بعدد الفئات Classes المختلفة الموجودة في بياناتنا.
وبشكل أكثر وضوح:
بعد أن يتم إعطاء كل class في مجموعة البيانات  رقمً تعريف فريد Classid  يتراوح بين 1 و | Classes | .
حيث Classes هي مجموعة الفئات (الأصناف) الموجودة لدينا . ثم يتم تمثيل كل فئة  عبر متجه بأبعاد مقدارها | Classes | مملوء كلها بـ صفر باستثناء الفهرس ، حيث index = Classid. حيث نضع في هذا الفهرس ببساطة 1. 
ونستخدمه عادة عندما يكون لدينا مهمة تصنيف متعدد (عندما يكون لدينا عدة فئات).
في المثال التالي لدي شعاع y فيه 3 كلاسات مختلفة وبالتالي كل كلاس سوف يتم تمثيله بشعاع له 3 أبعاد.

# استيراد التابع
from keras.utils.np_utils import to_categorical
# خرج مزيف
y=[0,1,0,2,1,0,1,2,0,1,2] 
# استخدام المحول الفئوي
y=to_categorical(y)
#طباعة النتائج 
print(y)
'''
array([[1., 0., 0.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 0., 1.],
       [0., 1., 0.],
       [1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]], dtype=float32)
'''

سأقوم بتطبيق هذا التابع لترميز مجموعة بيانات routers، حيث أن هذه البيانات لديها 46 فئة (صنف) مختلف:

# تحميل الداتا
from keras.datasets import reuters
(train_data, train_labels), (test_data, test_labels) = reuters.load_data(
num_words=100)
# ترميز الفئات المختلفة للبيانات
from keras.utils.np_utils import to_categorical  # One-Hot-Enoding
one_hot_train_labels = to_categorical(train_labels)
one_hot_test_labels = to_categorical(test_labels)
# قمنا بعرض فئة أول عينة من بيانات التدريب
print('one_hot_train_labels[0]:\n',one_hot_train_labels[0])
'''
one_hot_train_labels[0]:
 [0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
'''
# قمنا بعرض فئة أول عينة من بيانات الاختبار
print('one_hot_test_labels[0]:\n',one_hot_test_labels[0])
'''
one_hot_test_labels[0]:
 [0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
'''

ملاحظة: هذا الترميز هو نفسه ال One-Hot-Encoding