Jak radzić sobie z etykietami ciągów w klasyfikacji wielu klas za pomocą keras?

Jestem początkującym w uczeniu maszynowym i keras, a teraz pracuję nad problemem klasyfikacji klas obrazów za pomocą keras. Wejście jest oznaczone obrazem. Po wstępnym przetworzeniu dane szkoleniowe są reprezentowane na liście Python jako:

[["dog", "path/to/dog/imageX.jpg"],["cat", "path/to/cat/imageX.jpg"], ["bird", "path/to/cat/imageX.jpg"]]

„pies”, „kot” i „ptak” to oznaczenia klasy. Wydaje mi się, że w przypadku tego problemu należy zastosować kodowanie jednorazowe, ale nie bardzo wiem, jak sobie z tym poradzić z tymi etykietami ciągów. Próbowałem skearn's LabelEncoder () w następujący sposób:

encoder = LabelEncoder()
trafomed_label = encoder.fit_transform(["dog", "cat", "bird"])
print(trafomed_label)

A wynik to [2 1 0], co jest inne niż moje oczekiwane wyjście czegoś takiego jak [[1,0,0], [0,1,0], [0,0,1]]. Można to zrobić za pomocą kodowania, ale chciałbym wiedzieć, czy istnieje jakiś „standardowy” czy „tradycyjny” sposób radzenia sobie z tym?

LabelEncoderModuł Sklearn znajduje wszystkie klasy i przypisuje każdej z nich numeryczny identyfikator zaczynający się od 0. Oznacza to, że bez względu na to, jakie reprezentacje znajdują się w oryginalnym zestawie danych, masz teraz prosty spójny sposób reprezentowania każdej z nich. Nie wykonuje kodowania „na gorąco”, chociaż jak poprawnie zidentyfikujesz, jest dość blisko i możesz użyć tych identyfikatorów, aby szybko wygenerować kodowanie „na gorąco” w innym kodzie.

Jeśli chcesz kodować na gorąco, możesz użyć LabelBinarizerzamiast tego. Działa to bardzo podobnie:

 from sklearn.preprocessing import LabelBinarizer
 encoder = LabelBinarizer()
 transfomed_label = encoder.fit_transform(["dog", "cat", "bird"])
 print(transfomed_label)

Wynik:

[[0 0 1]
 [0 1 0]
 [1 0 0]]