Bagaimana cara menangani label string dalam klasifikasi multi-kelas dengan keras?

Saya pemula di pembelajaran mesin dan keras dan sekarang bekerja masalah klasifikasi gambar multi-kelas menggunakan keras. Input ditandai gambar. Setelah beberapa pra-pemrosesan, data pelatihan diwakili dalam daftar Python sebagai:

[["dog", "path/to/dog/imageX.jpg"],["cat", "path/to/cat/imageX.jpg"], ["bird", "path/to/cat/imageX.jpg"]]

"anjing", "kucing", dan "burung" adalah label kelas. Saya pikir pengkodean satu-panas harus digunakan untuk masalah ini, tetapi saya tidak begitu jelas tentang bagaimana menghadapinya dengan label string ini. Saya sudah mencoba LabelEncoder () sklearn dengan cara ini:

encoder = LabelEncoder()
trafomed_label = encoder.fit_transform(["dog", "cat", "bird"])
print(trafomed_label)

Dan hasilnya adalah [2 1 0], yang berbeda dengan yang saya harapkan dari sesuatu seperti [[1,0,0], [0,1,0], [0,0,1]]. Itu dapat dilakukan dengan beberapa pengkodean, tetapi saya ingin tahu apakah ada beberapa cara "standar" atau "tradisional" untuk menghadapinya?

LabelEncoderModul Sklearn menemukan semua kelas dan memberikan masing-masing id angka mulai dari 0. Ini berarti bahwa apa pun representasi kelas Anda dalam kumpulan data asli, Anda sekarang memiliki cara konsisten sederhana untuk mewakili masing-masing. Itu tidak melakukan pengkodean satu-panas, meskipun ketika Anda mengidentifikasi dengan benar, itu cukup dekat, dan Anda dapat menggunakan id tersebut untuk dengan cepat menghasilkan satu-hot-pengkodean dalam kode lain.

Jika Anda ingin penyandian satu panas, Anda dapat menggunakannya LabelBinarizer. Ini bekerja sangat mirip:

 from sklearn.preprocessing import LabelBinarizer
 encoder = LabelBinarizer()
 transfomed_label = encoder.fit_transform(["dog", "cat", "bird"])
 print(transfomed_label)

Keluaran:

[[0 0 1]
 [0 1 0]
 [1 0 0]]