我在尝试用一段特定的代码解决一个分类问题，但我无法完全理解我的数据应该如何输入到神经网络中。
我开始使用1-of-C虚拟编码来编码数据，以便保留数据中的类别上下文。我还没有完全完成数据编码，因为我还不完全理解如何利用手头的代码来输入数据。
这是我目前编码的数据样本：
'In Raw format, for predicting Political Party Affiliation 'Age Sex Income Area Party[0] 30 male 38000.00 urban democrat[1] 36 female 42000.00 suburban republican[2] 52 male 40000.00 rural independent[3] 42 female 44000.00 suburban other'Encoded Format[0] -1.23 -1.0 -1.34 ( 0.0 1.0) (0.0 0.0 0.0 1.0)[1] -0.49 1.0 0.45 ( 1.0 0.0) (0.0 0.0 1.0 0.0)[2] 1.48 -1.0 -0.45 (-1.0 -1.0) (0.0 1.0 0.0 0.0)[3] 0.25 1.0 1.34 ( 1.0 0.0) (1.0 0.0 0.0 0.0)我对数值数据使用了高斯归一化，对字符串数据使用了1-of-C虚拟编码和1-of-(C-1)编码。数据的最后一列是类别。
考虑以下代码；输入变量X接受以下格式的数据：
X=np.array([[1,0,1,0],[1,0,1,1],[0,1,0,1]])我是否应该这样输入我的数据，直到我遍历完所有数据？
X=np.array([[-1.23,-1,-1.34,0010],[00000010,-.49,1,.45],[1000,00001000,1.48,-1]])我阅读了以下Stack Overflow的问题：如何将输入数据集输入到神经网络中？，这有助于澄清过程。特征应逐行输入，目标特征/标签（在本例中为政治党派）作为每行的最后一个特征。这对我来说是有道理的。在发布的代码中，我假设变量Y是目标。
考虑到这一点，我的输入应该是这样的吗：
X=np.array([[-1.23,-1,-1.34,0010],[00000010,0,0,0],[0,0,0,0]])我只捕获第一行，并将目标特征作为最后一个输入？
我不确定应该是哪一种。提前感谢您的任何帮助。
import numpy as np#Input array X=np.array([[1,0,1,0],[1,0,1,1],[0,1,0,1]])#Output y=np.array([[1],[1],[0]])#Sigmoid Function def sigmoid (x): return 1/(1 + np.exp(-x))#Derivative of Sigmoid Function def derivatives_sigmoid(x): return x * (1 - x)#Variable initialization epoch=5000 #Setting training iterations lr=0.1 #Setting learning rate inputlayer_neurons = X.shape[1] #number of features in data set hiddenlayer_neurons = 3 #number of hidden layers neurons output_neurons = 1 #number of neurons at output layer#weight and bias initialization wh=np.random.uniform(size=(inputlayer_neurons,hiddenlayer_neurons)) bh=np.random.uniform(size=(1,hiddenlayer_neurons)) wout=np.random.uniform(size=(hiddenlayer_neurons,output_neurons)) bout=np.random.uniform(size=(1,output_neurons))for i in range(epoch):#Forward Propogation hidden_layer_input1=np.dot(X,wh) hidden_layer_input=hidden_layer_input1 + bh hiddenlayer_activations = sigmoid(hidden_layer_input) output_layer_input1=np.dot(hiddenlayer_activations,wout) output_layer_input= output_layer_input1+ bout output = sigmoid(output_layer_input)#Backpropagation E = y-output slope_output_layer = derivatives_sigmoid(output) slope_hidden_layer = derivatives_sigmoid(hiddenlayer_activations) d_output = E * slope_output_layer Error_at_hidden_layer = d_output.dot(wout.T) d_hiddenlayer = Error_at_hidden_layer * slope_hidden_layer wout += hiddenlayer_activations.T.dot(d_output) *lr bout += np.sum(d_output, axis=0,keepdims=True) *lr wh += X.T.dot(d_hiddenlayer) *lr bh += np.sum(d_hiddenlayer, axis=0,keepdims=True) *lrprint output回答：
很好的问题。
首先，使用来自SciKit Learn的预构建神经网络实现
接下来，将你的数据分成特征和标签（首先展平你的输入向量）
X_features=X[:,:-1]X_labels=X[:,-1]然后设置SciKit MLP
model=MLPClassifier(args...)拟合你的数据
model.fit(X_features,X_labels)瞧…
现在你可以用以下方式预测新的输入
Y=model.predict(input_vector)注意：为了真正的数据科学，请记得将你的数据分成训练集和验证集（例如90/10）
