请问某人何时使用keras.utils.np_utils.to_categorical？
我了解它将类向量转换为二进制矩阵，可能在深度学习模型中使用。
但是如果我们仍然继续使用类向量本身，并且可能使用model.predict_classes - 有什么缺点？
答案 0 :(得分：8)
如果没有以二进制矩阵分布的类，则具有多个类的分类模型不能正常工作。
假设你有三个clasess，向量是这样的：
在将训练数据传递给模型之前，使用to_categorical转换训练数据。
如果您的训练数据使用类作为数字，to_categorical会将这些数字转换为适当的向量，以便与模型一起使用。没有它，你不能简单地训练分类模型。
不幸的是，predict_classes没有记录，因此最好不要使用它。但我想它确实完成了to_categorical的逆运算。您的模型输出向量，predict_classes将这些向量转换为人类可读的类。
答案 1 :(得分：4)
我知道这是一个老话题，但我想帮助澄清一下。
您想要to_categorical（甚至在数字标签上）的原因是由算法理解标签之间的关系。
例如，假设您制作了一个颜色分类器。您将红色标记为1，蓝色标记为2，橙色标记为3。
现在，您将它们提供给机器学习算法，以帮助确定您的输入匹配。数学会说橙色高于红色。这显然不是你的意图，但网络会知道橙色更大而不是红色。