Закодируйте набор меток в векторы вероятности, и затем декодируйте их назад в метки.

Создайте вектор из категориальных меток, задающих типы цвета.

colorsOriginal = ["red","blue","red","green","yellow","blue"];
colorsOriginal = categorical(colorsOriginal)

colorsOriginal = 1x6 categorical
     red      blue      red      green      yellow      blue 

Определите классы в категориальном векторе.

classes = categories(colorsOriginal)

classes = 4x1 cell
    {'blue'  }
    {'green' }
    {'red'   }
    {'yellow'}

Одногорячий кодируют метки в векторы вероятности при помощи onehotencode функция. Закодируйте метки в первую размерность, так, чтобы каждая строка соответствовала классу, и каждый столбец соответствует вектору вероятности.

colorsEncoded = onehotencode(colorsOriginal,1)

colorsEncoded = 4×6

     0     1     0     0     0     1
     0     0     0     1     0     0
     1     0     1     0     0     0
     0     0     0     0     1     0

Декодируйте векторы вероятности при помощи onehotdecode функция.

colorsDecoded = onehotdecode(colorsEncoded,classes,1)

colorsDecoded = 1x6 categorical
     red      blue      red      green      yellow      blue 

Декодируемые метки совпадают с исходными метками.

Создайте фиктивные переменные, и затем декодируйте их назад в исходные данные.

Создайте вектор-столбец категориальных данных, задающих типы цвета.

colorsOriginal = ["red";"blue";"red";"green";"yellow";"blue"];
colorsOriginal = categorical(colorsOriginal)

colorsOriginal = 6x1 categorical
     red 
     blue 
     red 
     green 
     yellow 
     blue 

Определите классы в категориальном векторе.

classes = categories(colorsOriginal);

Создайте фиктивные переменные для каждого типа цвета при помощи dummyvar функция.

dummyColors = dummyvar(colorsOriginal)

dummyColors = 6×4

     0     0     1     0
     1     0     0     0
     0     0     1     0
     0     1     0     0
     0     0     0     1
     1     0     0     0

Декодируйте фиктивные переменные во втором измерении при помощи onehotdecode функция.

colorsDecoded = onehotdecode(dummyColors,classes,2)

colorsDecoded = 6x1 categorical
     red 
     blue 
     red 
     green 
     yellow 
     blue 

Декодируемые переменные совпадают с типами исходного цвета.

Декодируйте набор векторов вероятности в самый вероятный класс для каждого наблюдения.

Создайте набор 10 случайных векторов вероятности. Векторы описывают вероятность, что наблюдение принадлежит одному из пяти классов.

numObs = 10;
numClasses = 5;

prob = rand(numObs,numClasses);

tot = sum(prob,2);
prob = prob./tot

prob = 10×5

    0.2938    0.0568    0.2365    0.2546    0.1582
    0.3895    0.4174    0.0154    0.0137    0.1641
    0.0427    0.3217    0.2854    0.0931    0.2573
    0.2878    0.1529    0.2943    0.0145    0.2505
    0.2640    0.3341    0.2834    0.0405    0.0780
    0.0422    0.0614    0.3280    0.3564    0.2120
    0.1078    0.1632    0.2876    0.2689    0.1725
    0.1940    0.3249    0.1392    0.1125    0.2293
    0.2356    0.1949    0.1613    0.2338    0.1745
    0.3345    0.3326    0.0593    0.0119    0.2616

Задайте набор пяти классов.

classes = ["Red","Yellow","Green","Blue","Purple"];

Декодируйте вероятности в самые вероятные классы при помощи onehotdecode функция. Векторы вероятности закодированы во второе измерение (каждый столбец соответствует уникальному классу), поэтому задайте размерность, содержащую закодированные вероятности как 2. Получите самые вероятные классы как вектор строки.

result = onehotdecode(prob,classes,2,"string")

result = 10x1 string
    "Red"
    "Yellow"
    "Yellow"
    "Green"
    "Yellow"
    "Blue"
    "Green"
    "Yellow"
    "Red"
    "Red"

Декодируйте предсказанные баллы класса в предсказанные метки.

Загрузите fisheriris набор данных. Создайте X как числовая матрица, которая содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Создайте S как вектор из категориальных меток, который содержит соответствующие ирисовые разновидности.

load fisheriris
X = meas;
S = categorical(species);

Одногорячий кодируют метки в векторы вероятности при помощи onehotencode функция. Закодируйте векторы вероятности во второе измерение.

Y = onehotencode(S,2);

Вычислите подходящие коэффициенты простого линейного классификатора.

B = X\Y

B = 4×3

    0.0834    0.2117   -0.1481
    0.2533   -0.3059    0.1412
   -0.2270    0.1888    0.0181
   -0.0635   -0.5749    0.5873

Предскажите баллы класса от подходящих коэффициентов и гарантируйте, что баллы находятся в области значений [0,1].

scores = X*B;
scores = min(1,max(0,scores));

Декодируйте предсказанные баллы класса в предсказанные метки при помощи onehotdecode функция. Затем создайте график беспорядка, чтобы выдержать сравнение, истина маркирует S с предсказанными метками label.

label = onehotdecode(scores,categories(S),2);
confusionchart(S,label)