几天前，我参加了一个数据科学家工作的面对面面试。我被问到的问题之一是：在分类器从 4 个可能品牌中的某些特征（价格、尺寸、规格……）预测电视品牌的情况下，您如何对品牌变量进行编码？我的回答是one hot encoding，它被接受了，但后来他们要求我明确地这样做，我画了一些类似的东西：
brand A -> [1,0,0,0]
brand B -> [0,1,0,0]
brand C -> [0,0,1,0]
brand D -> [0,0,0,1]
然后，我在这些列不独立的原因下进行了纠正。并且解决方案应该是三个二进制列。
后来我突然想到我不知道为什么需要独立，而且三个二进制变量不是独立的。两个会。
有人可以提供一些解释来帮助我解决困惑吗？
对于某些模型，确保输入是线性独立的可能很重要。我很确定输出永远不会出现这种情况。如果我们有两个以上的类，如果我们在输出向量中没有每个类的特定维度，那么输出类概率是非常困难的，如果不是不可能的话。换句话说，你的建议比你的面试官的建议具有更多的解释力，这解决了一些模型的输入上存在的问题，而不是输出上的问题。
在多类问题中，正如您所建议的，每个类在输出向量中都有自己的维度确实是常态。要么面试官试图让输入和输出编码看起来聪明而混乱（这仍然只适用于某些模型系列），要么你没有正确记住面试的事件。如果您确信面试如您所描述的那样进行，您应该考虑向您的联系人抱怨您因给出正确答案而受到批评。
随意引用以下作为多类分类器的流行/规范示例：
返回：形状数组 = [n_samples, n_classes]
当使用 categorical_crossentropy 损失时，你的目标应该是分类格式（例如，如果你有 10 个类，每个样本的目标应该是一个 10 维向量，它是全零的，期望在对应于类的索引处为 1样品）