从 one-hot 表示到标签答案

【问题标题】：From a one-hot representation to the labels从 one-hot 表示到标签
【发布时间】：2019-06-20 21:34:39
【问题描述】：

我的预测在张量 pred 下，pred.shape 是 (4254, 10, 3)。所以我们有4254 维矩阵(10, 3)。让我们来看看其中一个矩阵。

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)

从上面的例子可以看出，有 10 个向量代表一个标签的 one-hot 表示。例如，np.argmax([0.04592975, 0.09632163, 0.85774857]) = 2。

为什么我要批量处理 10 个向量？我正在研究一个时间序列预测问题，在时间t_0，我预测时间t_1 到时间t_10 的下10 个标签。

对于这些矩阵中的每一个，我都有兴趣取回原始标签。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，动作为0 或2。这里的目标是根据threshold_array 和我们的矩阵W 修改labels。

如果我选择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]，那么labels[0] 将保持2。

另一个例子有点不同。如果我选择W[2]，我们知道np.argmax(W[2]) = 2 和W[2][2] = 0.50547445。如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W 中的每个向量，labels 现在设置为array([2, 2, 0, 1, 1, 1, 1, 1, 1, 1])。请注意，只有一个动作可以成为中立位置，而不是相反。

如何在 python 中将该策略编码到pred 内的每个矩阵W 以获得维度为(4254, 10) 的标签矩阵？

【问题讨论】：

标签： python numpy tensor threshold

【解决方案1】：

我不确定这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)

【讨论】：