我想在Keras中使用一个简单的前馈网络。我的数据中有一些分类值，我希望在将这些数据输入网络之前对其进行嵌入处理。
以下是示例数据：
+-------------+---------+|category_val | Numeric |+-------------+---------+|"A" | 0.5 |+-------------+---------+|"B" | 0.2 |+-------------+---------+|"C" | 0.1 |+-------------+---------+我对category_val列使用了pandas.get_dummies函数，得到的结果如下：
+---+-----------+-----------+-----------+| id| category=A| category=B| category=C|+---+-----------+-----------+-----------+| 0| 1| 0| 0|| 1| 0| 1| 0|| 2| 0| 0| 1|+---+-----------+-----------+-----------+这是否意味着我的输入层应该有4个输入特征（3个用于生成的独热向量，一个用于数值）？
如图所示：
看起来更简单的方法是将类别直接转换为数字，即：A=1, B=2, C=3，这样只需要2个特征。正确的做法是什么，为什么？
回答：
这是否意味着我的输入层应该有4个输入特征（3个用于生成的独热向量，一个用于数值）？
是的。这意味着输入层有4个特征。
看起来更简单的方法是将类别直接转换为数字，即：A=1, B=2, C=3，这样只需要2个特征。正确的做法是什么，为什么？
将A=1, B=2, C=3确实更简单。然而，这会让神经网络认为C在某种程度上大于B，而B大于A。为了理解这种做法的弊端，假设你的Category实际上是对象的颜色。将颜色视为数字会暗示红色大于蓝色或者蓝色大于红色，这显然不符合直觉。我们知道神经网络只是连接起来的数学函数，它们会将分配了较大数字的颜色视为更大的颜色，因此将数字分配给颜色是一种错误的方法。因此，将每种颜色表示为一个独立的特征是合理的。这样可以将这些0和1视为与每个特征值相关的概率。例如，红色的值为1表示该对象为红色的概率为1。值为0表示概率为0。
