本人CSDN博客专栏：https://blog.csdn.net/yty_7
Github地址：https://github.com/yot777/
好了，机器学习进入正题了，我们从大家身边的实例开始讲起。
什么是标签
标签，通俗的讲是对某人某事物的凭经验的分类 。
大家都知道，人有高矮胖瘦之分，那么高是怎样定义出来的呢？
我查了一下，“高”在字典里的解释是：从下向上距离大；离地面远（跟“低”相对）。为什么解释“高”，要扯到“低”？
为了弄清楚“高”，我又查了一下“低”：从下向上距离小；离地面近（跟“高”相对）。
真想用爱情公寓里陈美嘉的名言对字典说：“我一口盐汽水喷si你！”
总之呢，从字典里搞清楚“高”是不可能的。但是我们每个人确实都觉得有的人长得高，有的人长得低（矮），这又是为什么呢？
什么是特征
如果你问姚明，觉得什么人算长得高？他可能会说：2米以上算长得高！
如果你问美女模特，觉得什么样的男人算长得高？她可能会说，1米75以上算长得高！
如果你问普通男人，觉得什么样的女人算长得高？他可能会说，1米6以上算长得高！
如果你问非洲某小人国部落，他可能会说，1米以上就算是巨人了！
明白了吗？其实大家心里都有一杆秤啊！标签的背后，是有某种可以量化为数字的指标做支撑，这就叫特征。
特征和标签的配对
好了，解释了特征和标签，现在我们可以进行特征和标签的配对了。接着上面的话题：
姚明眼中的人类：
| 特征（身高，以米为单位） | 标签 | |
| A | 1.51 | 矮 |
| B | 1.61 | 矮 |
| C | 1.76 | 矮 |
| D | 2.1 | 高 |
美女模特眼中的人类：
| 特征（身高，以米为单位） | 标签 | |
| A | 1.51 | 矮 |
| B | 1.61 | 矮 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
普通男人眼中的人类：
| 特征（身高，以米为单位） | 标签 | |
| A | 1.51 | 矮 |
| B | 1.61 | 高 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
非洲某小人国部落眼中的人类：
| 特征（身高，以米为单位） | 标签 | |
| 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，即使相同的标签代表的含义也是不同的。以下我们以“普通男人眼中的人类”进一步展开讨论。
我们已经知道了普通男人眼中的人类关于高矮的标准是：1米6以上算长得高。
那么再有其他高度的人，我们很容易得到其他人的标签，如下：
| 特征（身高，以米为单位） | 标签 | |
| A | 1.51 | 矮 |
| B | 1.61 | 高 |
| C | 1.76 | 高 |
| D | 2.1 | 高 |
| E | 1.58 | 矮 |
| F | 1.68 | 高 |
为了方便计算机识别，通常我们把标签改为0/1/2这样的数字，本例中我们用0代表“矮”，用1代表“高”，因此上表简化为
| 特征（身高，以米为单位） | 标签 | |
| A | 1.51 | 0 |
| B | 1.61 | 1 |
| C | 1.76 | 1 |
| D | 2.1 | 1 |
| E | 1.58 | 0 |
| F | 1.68 | 1 |
这样就形成了一个人类身高的特征——标签矩阵，一般来说，标签都是位于该矩阵的最后一列。
Python实现特征——标签矩阵
代码如下：
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)
#运行结果：
[[1.51 0. ]
[1.61 1. ]
[1.76 1. ]
[2.1 1. ]
[1.58 0. ]
[1.68 1. ]]取出标签和特征：
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]])
#原始特征——标签矩阵
print("原始特征——标签矩阵是\n",S)
#取出标签
print("标签是\n",S[:,-1])
#取出特征
print("特征是\n",S[:,0:-1])
运行结果：
原始特征——标签矩阵是
[[1.51 0. ]
[1.61 1. ]
[1.76 1. ]
[2.1 1. ]
[1.58 0. ]
[1.68 1. ]]
标签是
[0. 1. 1. 1. 0. 1.]
特征是
[[1.51]
[1.61]
[1.76]
[2.1 ]
[1.58]
[1.68]]请注意，标签都是位于该矩阵的最后一列，因此我们用到了之前讲过的数组（矩阵）取列的写法：
[ ]以冒号逗号（即:,）开头，表示取列元素，因此S[:,-1]就是从右开始数的第1列，也就是标签。
再看本例中取特征的写法是S[:,0:-1]，表示从左开始数直到最右边第1列的左列为止（如果不理解，请回看：杨桃的Python进阶讲座16——数组array（六）一维数组和二维数组的索引和取值），貌似直接写S[:,0]也没问题？
需要说明，本例只有一个特征列，实际应用中往往是多个特征列对应一个标签，因此这里取特征的写法S[:,0:-1]是通用的写法。
总结
标签，是对某人某事物的凭经验的分类 。
某种可以量化为数字的指标，叫做特征。
通常把标签改为0/1/2这样的数字便于计算机处理。
可以把标签和特征配对形成：特征——标签矩阵，一般来说，标签都是位于该矩阵的最后一列。
利用Python实现特征——标签矩阵S，S[:,-1]表示标签，S[:,0:-1]表示特征。
本人CSDN博客专栏：https://blog.csdn.net/yty_7
Github地址：https://github.com/yot777/
如果您觉得本篇本章对您有所帮助，欢迎关注、评论、点赞！Github欢迎您的Follow、Star！
