Tensorflow分类编码中额外列的逻辑是什么？

Question

我正在遵循官方的 Tensorflow预处理层教程，我不确定我是否明白为什么在分类编码后最终会得到这些额外的列。[ 2024 年更新：默认行为现已更改，因此当前教程不再给出我在下面显示的确切结果]

这是一个精简的最小可重现示例（包括数据）：

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.layers.experimental import preprocessing
import pathlib

dataset_url = 'http://storage.googleapis.com/download.tensorflow.org/data/petfinder-mini.zip'
csv_file = 'datasets/petfinder-mini/petfinder-mini.csv'
tf.keras.utils.get_file('petfinder_mini.zip', dataset_url, extract=True, cache_dir='.')
df = pd.read_csv(csv_file)

# In the original dataset "4" indicates the pet was not adopted.
df['target'] = np.where(df['AdoptionSpeed']==4, 0, 1)
# Drop un-used columns.
df = df.drop(columns=['AdoptionSpeed', 'Description'])

# A utility method to create a tf.data dataset from a Pandas Dataframe
def df_to_dataset(dataframe, shuffle=True, batch_size=32):
  dataframe = dataframe.copy()
  labels = dataframe.pop('target')
  ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(dataframe))
  ds = ds.batch(batch_size)
  ds = ds.prefetch(batch_size)
  return ds

batch_size = 5
ds = df_to_dataset(df, batch_size=batch_size)
[(train_features, label_batch)] = ds.take(1)

def get_category_encoding_layer(name, dataset, dtype, max_tokens=None):
  # Create a StringLookup layer which will turn strings into integer indices
  if dtype == 'string':
    index = preprocessing.StringLookup(max_tokens=max_tokens)
  else:
    index = preprocessing.IntegerLookup(max_values=max_tokens)

  # Prepare a Dataset that only yields our feature
  feature_ds = dataset.map(lambda x, y: x[name])

  # Learn the set of possible values and assign them a fixed integer index.
  index.adapt(feature_ds)

  # Create a Discretization for our integer indices.
  encoder = preprocessing.CategoryEncoding(max_tokens=index.vocab_size())
  #encoder = preprocessing.CategoryEncoding(max_tokens=2)

  # Prepare a Dataset that only yields our feature.
  feature_ds = feature_ds.map(index)

  # Learn the space of possible indices.
  encoder.adapt(feature_ds)

  # Apply one-hot encoding to our indices. The lambda function captures the
  # layer so we can use them, or include them in the functional model later.
  return lambda feature: encoder(index(feature))

所以，运行后

type_col = train_features['Type']
layer = get_category_encoding_layer('Type', ds, 'string')
layer(type_col)

我得到的结果是：

<tf.Tensor: shape=(5, 4), dtype=float32, numpy=
array([[0., 0., 1., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.],
       [0., 0., 0., 1.],
       [0., 0., 0., 1.]], dtype=float32)>

类似于教程中显示的内容。

请注意，这是一个二元分类问题（猫/狗）：

np.unique(type_col)
# array([b'Cat', b'Dog'], dtype=object)

那么，上面结果中显示的分类编码后的 2 个额外列的逻辑是什么？它们代表什么，为什么它们是 2（而不是 1、3 或更多）？

（我完全清楚，如果我希望进行简单的独热编码，我可以简单地使用to_categorical()，但这不是这里的问题）

Answer 1

正如问题中已经暗示的那样，分类编码比简单的单热编码更丰富。print要查看这两列代表什么，只需在函数内的某处添加诊断即可get_category_encoding_layer()：

print(index.get_vocabulary())

那么最后命令的结果将是：

['', '[UNK]', 'Dog', 'Cat']
<tf.Tensor: shape=(5, 4), dtype=float32, numpy=
array([[0., 0., 1., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.],
       [0., 0., 0., 1.],
       [0., 0., 0., 1.]], dtype=float32)>

希望提示应该很清楚：这里额外的两列分别代表空值''和未知值'[UNK]'，它们可能出现在未来（看不见的）数据中。

这实际上是根据默认参数确定的，不是 的CategoryEncoding，而是前面的StringLookup; 来自文档：

mask_token=''
oov_token='[UNK]'

oov_token=''通过询问而不是oov_token='[UNK]'; ，您最终可以得到更严格的编码（只有 1 个额外列而不是 2 个）。将函数StringLookup中的调用替换为get_category_encoding_layer()

    index = preprocessing.StringLookup(oov_token='',mask_token=None, max_tokens=max_tokens)

之后，结果将是：

['', 'Dog', 'Cat']
<tf.Tensor: shape=(5, 3), dtype=float32, numpy=
array([[0., 1., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 1.],
       [0., 0., 1.]], dtype=float32)>

即只有 3 列（没有专门的一列'[UNK]'）。AFAIK，这是您可以达到的最低值 - 尝试同时设置mask_token和oov_tokentoNone将导致错误。