企业官网建设流程全解析

一、数据的三种类型

（一）连续值（比例 / 区间尺度）

• 数值之间的差值、倍数有实际物理含义。

例子：重量 3kg，10kg。10‑3=7，代表重量差 7kg；10kg 是 3kg 的三倍重。
葡萄酒里面酒精度、酸度、pH 全部都是连续值，直接喂神经网络没问题。

（二）序数值

• 数字只有大小排序意义，差值没有实际含义。

例子：小杯 = 1，中杯 = 2，大杯 = 3
我们知道大杯＞中杯＞小杯。但是(1+3)/2=2不能得出中杯！数字 2 并不等于 1 和 3 中间一半的体积。
⚠️ 不能直接拿数字做加减乘除运算！
葡萄酒质量评分 (0‑10) 本质上就属于序数值！

（三）分类值（分类尺度）

• 数字完全没有顺序含义，只是给类别起编号。

例子：水 = 1，咖啡 = 2，牛奶 = 3。
2（咖啡）不大于 1（水），只是名字代号。1、2、3 谁大谁小没有任何意义！
❗这种数据绝对不能直接把数字丢进神经网络！必须做独热编码。

二、标签分离：特征数据 和 目标标签分开

例：
读出来数组形状(4898, 12)
4898：一共 4898 瓶葡萄酒（样本数量）
12：12 列（11 个化学特征 + 1 个质量标签）
wineq 张量包含全部 12 列。

• 深度学习铁则：输入特征 和 预测标签一定要分开！不能混在一起送入网络。

#取所有行，除最后一列 → 输入特征X(11项化学指标)data=wineq[:,:-1]#取所有行，只取最后一列 → 目标标签y（葡萄酒质量分）target=wineq[:,-1]

三、标签两种编码方案（核心重点）

• 现在target存的就是葡萄酒质量分数标签，我们有两种编码选择：

（一）方案 1：整数标签（直接转成 long 长整型）

target=wineq[:,-1].long()

• 结果：tensor([6, 6, 7, 6 …])
• 优点：最简单，保留分数顺序关系（7 分酒 > 6 分酒）
• 缺点：神经网络会自动误以为 7 和 6 之间的距离 = 6 和 5 之间的距离，强行赋予数值距离含义
• ✅适合：回归任务、有序标签（质量评分这种有高低顺序）

（二）方案 2：独热编码 one‑hot（适合无序分类）

1. 什么叫独热编码？

• 一共有 10 个分数等级 (0‑9)，每个标签生成长度为 10 的向量。只有对应位置填 1，剩下全部填 0。

• 分数 = 5 → [0,0,0,0,0,1,0,0,0,0]
  分数 = 6 → [0,0,0,0,0,0,1,0,0,0]

2. 代码示例拆解

#第一步：生成一个全0矩阵，4898行样本，每行预留10个位置target_onehot=torch.zeros(target.shape[0],10)#第二步：scatter_填充1target_onehot.scatter_(1,target.unsqueeze(1),1.0)

• target.unsqueeze(1)：原来 target 形状[4898]是一维数组。unsqueeze给它增加一列，变成[4898, 1]二维索引张量。scatter 要求索引张量和目标矩阵维度一致，不然会报错！
• scatter_三个参数解释：
  参数 1：dim=1 → 沿着行方向的列索引填充
  
  参数 2：索引张量：告诉程序每一行，第几列的位置要填上 1
  参数 3：填充的值：1.0
• 对每一瓶葡萄酒，找到对应质量分数编号那一列，把 0 改成 1。

3. 什么时候选独热编码？

• 当标签没有顺序！比如标签：红葡萄酒、白葡萄酒、玫瑰葡萄酒，类别之间谁也不比谁好，这时必须独热编码。
• 如果是葡萄酒质量评分（有序）：独热编码反而会丢掉「6 分比 5 分好」这个顺序信息。

四、总结

五、如何处理连续、有序和分类数据列

（一）回归任务、回归特征

1. 回归任务：模型输出一个连续的数字（预测一个值）
2. 直接使用数据 = 当作回归特征使用

• 直接当作回归特征使用 = 原封不动，不做任何编码、转换，直接把这一列数字放进神经网络当作输入 X
• 神经网络天生就可以接收小数、连续数值。什么都不用处理，这就叫直接当作回归特征。

（二）离散数据

（三）有序（分类）数据

1. 定义

• 属于离散的类别标签
• 类别之间存在客观、有意义的高低、先后、等级顺序关系
• 但是相邻类别之间的差值（间隔大小）未知、不一定相等。

2. 核心关键点

• ✅顺序是真实有效的：差＜一般＜好＜优秀
• ❌等级之间的距离不相等：“差→一般” 的差距 ≠ “好→优秀” 的差距
• ❗本质仍然是类别数据，不是真正的连续数值

只是预处理时你拥有选择权，可以人为映射成整数 1‑2‑3，临时当作连续特征使用。

（四）（无序）分类数据

1. 定义

• 属于离散类别标签
• 由若干互斥、独立的类别组成；类别只起到命名、区分作用，类别之间不存在任何大小、高低、先后、等级顺序关系。

2. 核心关键点

• 只有类别之分，没有等级之分；A＞B这个关系完全无意义
• 就算人为编号：红 = 1，蓝 = 2，绿 = 3；1<2 这个大小关系是虚假的，不能当真

（五）流程图解析

1. 是否是连续数据，如果是，直接使用数据，也就是当作回归特征使用
2. 非连续数据，判断是否为有序数据，如果是，可以进行人为选择

• 选择保留顺序：当作连续（回归）特征使用，喂入模型（缺点：强行引入距离）
• 选择舍弃顺序：转为独热编码，降级处理成无序分类数据

3. 若为分类数据，则使用独热编码
4. 使用独热编码的步骤

• .long()转整数标签，之后进行独热编码

1. 第一步操作：先用.long()，把浮点分数6.0→整数索引6。
2. 但⚠转为整数标签只是一个过渡，不等于彻底抛弃顺序！
3. 如果你只用整数索引[5,6,7]作为标签，PyTorch 的CrossEntropyLoss本身不会强制距离，但数字大小的信息仍然隐含在索引中。

1. 想要彻底抹除顺序，就要再进一步做独热编码：
2. 独热向量之间，5、6、7 三者的向量距离完全一样！顺序彻底消失。