我最近一直在学习自学机器，现在我正在尝试解决binary classification problem（即：一个标签，可以是true或false）。我将其表示为单个列，可以是1或0（true或false）。
尽管如此，我正在研究和阅读分类变量如何降低算法的有效性，以及应该如何one-hot encode它们或转换为dummy变量，从而以2个标签结束（{{ 1}}，variable_true）。
这是正确的方法吗？是否应该预测具有两个可能值的单个变量或具有固定唯一值的2个同时变量？
例如，我们要说我们要预测一个人是variable_false还是male：
我们是否应该为该变量设置单个标签female并预测Gender或1，或0和Gender_Male？
答案 0 :(得分：0)
它基本相同，在谈到二进制分类时，你可以想到每个模型的最后一层，使输出适应其他模型
例如，如果模型输出0或1而不是最后一层将其转换为矢量，如[1,0]或[0,1]，反之亦然，则通过阈值标准，通常是> = 0.5
最后一层中2个节点的一个很好的副产品是模型的置信水平，其预测[0.80,0.20]和[0.55,0.45]都会产生[1,0]分类，但第一个预测更有信心
这也可以从1节点输出推断出条纹1和0的输出距离，因此0.1作为0预测将被认为比0.3更有信心