本人CSDN博客專欄：https://blog.csdn.net/yty_7
Github地址：https://github.com/yot777/
好了，機器學習進入正題了，我們從大家身邊的實例開始講起。
什麼是標籤
標籤，通俗的講是對某人某事物的憑經驗的分類 。
大家都知道，人有高矮胖瘦之分，那麼高是怎樣定義出來的呢？
我查了一下，“高”在字典裏的解釋是：從下向上距離大；離地面遠（跟“低”相對）。爲什麼解釋“高”，要扯到“低”？
爲了弄清楚“高”，我又查了一下“低”：從下向上距離小；離地面近（跟“高”相對）。
真想用愛情公寓裏陳美嘉的名言對字典說：“我一口鹽汽水噴si你！”
總之呢，從字典裏搞清楚“高”是不可能的。但是我們每個人確實都覺得有的人長得高，有的人長得低（矮），這又是爲什麼呢？
什麼是特徵
如果你問姚明，覺得什麼人算長得高？他可能會說：2米以上算長得高！
如果你問美女模特，覺得什麼樣的男人算長得高？她可能會說，1米75以上算長得高！
如果你問普通男人，覺得什麼樣的女人算長得高？他可能會說，1米6以上算長得高！
如果你問非洲某小人國部落，他可能會說，1米以上就算是巨人了！
明白了嗎？其實大家心裏都有一杆秤啊！標籤的背後，是有某種可以量化爲數字的指標做支撐，這就叫特徵。
特徵和標籤的配對
好了，解釋了特徵和標籤，現在我們可以進行特徵和標籤的配對了。接着上面的話題：
姚明眼中的人類：
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 矮 |
| B | 1.61 | 矮 |
| C | 1.76 | 矮 |
| D | 2.1 | 高 |
美女模特眼中的人類：
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 矮 |
| B | 1.61 | 矮 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
普通男人眼中的人類：
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 矮 |
| B | 1.61 | 高 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
非洲某小人國部落眼中的人類：
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 高 |
| B | 1.61 | 高 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
可以看出，在不同人眼中，即使相同的標籤代表的含義也是不同的。以下我們以“普通男人眼中的人類”進一步展開討論。
我們已經知道了普通男人眼中的人類關於高矮的標準是：1米6以上算長得高。
那麼再有其他高度的人，我們很容易得到其他人的標籤，如下：
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 矮 |
| B | 1.61 | 高 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
| E | 1.58 | 矮 |
| F | 1.68 | 高 |
爲了方便計算機識別，通常我們把標籤改爲0/1/2這樣的數字，本例中我們用0代表“矮”，用1代表“高”，因此上表簡化爲
| 特徵（身高，以米爲單位） | 標籤 | |
| A | 1.51 | 0 |
| B | 1.61 | 1 |
| C | 1.76 | 1 |
| D | 2.1 | 1 |
| E | 1.58 | 0 |
| F | 1.68 | 1 |
這樣就形成了一個人類身高的特徵——標籤矩陣，一般來說，標籤都是位於該矩陣的最後一列。
Python實現特徵——標籤矩陣
代碼如下：
import numpy as np
S = np.array([[1.51,0],[1.61,1],[1.76,1],[2.1,1],[1.58,0],[1.68,1]])
print(S)
#運行結果：
[[1.51 0. ]
[1.61 1. ]
[1.76 1. ]
[2.1 1. ]
[1.58 0. ]
[1.68 1. ]]
取出標籤和特徵：
import numpy as np
S = np.array([[1.51,0],[1.61,1],[1.76,1],[2.1,1],[1.58,0],[1.68,1]])
#原始特徵——標籤矩陣
print("原始特徵——標籤矩陣是\n",S)
#取出標籤
print("標籤是\n",S[:,-1])
#取出特徵
print("特徵是\n",S[:,0:-1])
運行結果：
原始特徵——標籤矩陣是
[[1.51 0. ]
[1.61 1. ]
[1.76 1. ]
[2.1 1. ]
[1.58 0. ]
[1.68 1. ]]
標籤是
[0. 1. 1. 1. 0. 1.]
特徵是
[[1.51]
[1.61]
[1.76]
[2.1 ]
[1.58]
[1.68]]
請注意，標籤都是位於該矩陣的最後一列，因此我們用到了之前講過的數組（矩陣）取列的寫法：
[ ]以冒號逗號（即:,）開頭，表示取列元素，因此S[:,-1]就是從右開始數的第1列，也就是標籤。
再看本例中取特徵的寫法是S[:,0:-1]，表示從左開始數直到最右邊第1列的左列爲止（如果不理解，請回看：楊桃的Python進階講座16——數組array（六）一維數組和二維數組的索引和取值），貌似直接寫S[:,0]也沒問題？
需要說明，本例只有一個特徵列，實際應用中往往是多個特徵列對應一個標籤，因此這裏取特徵的寫法S[:,0:-1]是通用的寫法。
總結
標籤，是對某人某事物的憑經驗的分類 。
某種可以量化爲數字的指標，叫做特徵。
通常把標籤改爲0/1/2這樣的數字便於計算機處理。
可以把標籤和特徵配對形成：特徵——標籤矩陣，一般來說，標籤都是位於該矩陣的最後一列。
利用Python實現特徵——標籤矩陣S，S[:,-1]表示標籤，S[:,0:-1]表示特徵。
本人CSDN博客專欄：https://blog.csdn.net/yty_7
Github地址：https://github.com/yot777/
如果您覺得本篇本章對您有所幫助，歡迎關注、評論、點贊！Github歡迎您的Follow、Star！