One Hot Encoder | Redes Neurais: Deep Learning com PyTorch

Olá pessoal, tudo bem?

Assisti a aula e comecei a refletir bastante. Pra mim é estranho pensar que a rede da aula tinha três saídas, visto que normalmente as variáveis são colocadas no formato y = {1: Gato, 2: Cachorro, 3: Papagaio}, ou seja, com a camada de saída possuindo apenas uma variável e três possíveis valores.

Nesse caso, é como se o formato da camada de saída fosse y1, y2, e y3, em que duas são 0 e alguma outra é 1.

Me lembrei na hora das aulas da disciplina de Sistemas Digitais na faculdade, e o conceito de One Hot Encoder, e descobri que o termo também é usado no contexto de classificação em ciência de dados, aí minha cabeça explodiu. É isso mesmo que está acontecendo? Qual a vantagem de utilizar o One Hot Encoder nesse caso? Costuma funcionar melhor?

Grato!

Oi Gustavo, tudo bem?

Na rede neural apresentada na aula, cada neurônio na camada de saída corresponde a um perceptron especializado em uma classe. Portanto, o formato da camada de saída é como você mencionou, com y1, y2 e y3, em que apenas uma das variáveis é 1 e as outras são 0.

O uso do One Hot Encoder nesse caso é uma forma de representar as classes de forma binária, o que facilita o treinamento da rede neural. Ele transforma as classes em vetores binários, onde cada posição do vetor representa uma classe e possui o valor 1 se a amostra pertence àquela classe e 0 caso contrário.

A vantagem de utilizar o One Hot Encoder é que ele permite que a rede neural trate as classes de forma independente, evitando qualquer tipo de ordem ou hierarquia entre elas. Além disso, ele ajuda a evitar que a rede neural interprete erroneamente a classe como um valor numérico contínuo.

Espero ter ajudado.

Casos surja alguma dúvida, não hesite em compartilhar no fórum.

Abraços e bons estudos!

Caso este post tenha lhe ajudado, por favor, marcar como solucionado ✓. Bons Estudos!

Chegou a hora de transformar