sklearn.preprocessing.LabelBinarizer?

class sklearn.preprocessing.LabelBinarizer(*, neg_label=0, pos_label=1, sparse_output=False)

[源碼]

以一對一的方式對標簽進行二值化

scikit-learn中提供了幾種回歸和二進制分類算法。將這些算法擴展到多類分類的一種簡單方法是使用所謂的“一對多”方案。

在學習時，這僅僅是在每個類中學習一個回歸器或二進制分類器。為此，需要將多類標簽轉換為二進制標簽（屬于或不屬于該類）。LabelBinarizer使用轉換方法使此過程變得簡單。

在預測時，分配一個類別，相應的模型為其提供最大的信心。LabelBinarizer使用“逆變換”方法使這一點變得簡單。

在用戶指南中閱讀更多內容。

參數 說明
neg_label int (default: 0)
負標簽必須編碼的值。
pos_label int (default: 1)
必須對正標簽進行編碼的值。
sparse_output boolean (default: False)
如果希望從轉換返回的數組為稀疏CSR格式，則為true。
屬性 說明
classes_ array of shape [n_class]
持有每個類別的標簽。
y_type_ str,
表示由utils.multiclass.type_of_target評估的目標數據的類型。可能的類型是“連續”，“連續多輸出”，“二進制”，“多類”，“多類多輸出”，“多標簽指示符”和“未知”。
sparse_input_ boolean,
如果要轉換的輸入數據是稀疏矩陣，則為True，否則為False。

另見：

label_binarize

函數以固定的類執行LabelBinarizer的轉換操作。

sklearn.preprocessing.OneHotEncoder

分類特征使用one hot aka-of-K方案進行編碼。

示例

>>> from sklearn import preprocessing
>>> lb = preprocessing.LabelBinarizer()
>>> lb.fit([1, 2, 6, 4, 2])
LabelBinarizer()
>>> lb.classes_
array([1, 2, 4, 6])
>>> lb.transform([1, 6])
array([[1, 0, 0, 0],
       [0, 0, 0, 1]])

二元目標轉換為列向量

>>> lb = preprocessing.LabelBinarizer()
>>> lb.fit_transform(['yes', 'no', 'no', 'yes'])
array([[1],
       [0],
       [0],
       [1]])

傳遞2D矩陣進行多標簽分類

>>> import numpy as np
>>> lb.fit(np.array([[0, 1, 1], [1, 0, 0]]))
LabelBinarizer()
>>> lb.classes_
array([0, 1, 2])
>>> lb.transform([0, 1, 2, 1])
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1],
       [0, 1, 0]])

方法

方法 說明
fit(self, y) 將標簽調整為二進制
fit_transform(self, y) 安裝標簽二值化器并將多類標簽轉換為二進制標簽。
get_params(self[, deep]) 獲取此估計量的參數。
inverse_transform(self, Y[, threshold]) 將二進制標簽轉換回多類標簽
set_params(self, **params) 設置此估算器的參數。
transform(self, y) 將多類標簽轉換為二進制標簽 
__init__(self, *, neg_label=0, pos_label=1, sparse_output=False)

[源碼]

初始化self,有關準確的簽名，請參見help（type（self））。

fit(self, y)

[源碼]

適合標簽二值化器

參數 說明
y array of shape [n_samples,] or [n_samples, n_classes]
目標值。二維矩陣只能包含0和1，代表多標簽分類。
返回值 說明
self returns an instance of self. 
fit_transform(self, y)

[源碼]

適合標簽二值化器并將多類標簽轉換為二進制標簽。

變換的輸出有時被稱為1-of-K編碼方案。

參數 說明
y array or sparse matrix of shape [n_samples,] or [n_samples, n_classes]
目標值。二維矩陣只能包含0和1，代表多標簽分類。稀疏矩陣可以是CSR，CSC，COO，DOK或LIL。
返回值 說明
Y array or CSR matrix of shape [n_samples, n_classes]
對于二進制問題，形狀將為[n_samples，1]。		 
get_params(self, deep=True)

[源碼]

獲取此估計量的參數。

參數 說明
deep bool, default=True
如果為True，則將返回此估算器和作為估算器的所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
inverse_transform(self, Y, threshold=None)

[源碼]

將二進制標簽轉換回多類標簽

參數 說明
Y numpy array or sparse matrix with shape [n_samples, n_classes]
目標值。在逆變換之前，所有稀疏矩陣都將轉換為CSR。
threshold float or None
二進制和多標簽情況下使用的閾值。
當Y包含Decision_function（分類器）的輸出時，請使用0。當Y包含predict_proba的輸出時，使用0.5。
如果為None，則閾值假定為介于neg_label和pos_label之間。
返回值 說明
y numpy array or CSR matrix of shape [n_samples] Target values.

注釋

在二進制標簽為小數（概率）的情況下，inverse_transform選擇具有最大值的類。

通常，這允許將線性模型的Decision_function方法的輸出直接用作inverse_transform的輸入。

set_params(self, **params)

[源碼] 設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者的參數形式為<component>__<parameter>這樣就可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算器參數。
返回值 說明
self object
估算器實例。		 
transform(self, y)

[源碼]

將多類標簽轉換為二進制標簽

變換的輸出有時被一些作者稱為1-of-K編碼方案。

參數 說明
y array or sparse matrix of shape [n_samples,] or [n_samples, n_classes]
目標值。二維矩陣只能包含0和1，代表多標簽分類。稀疏矩陣可以是CSR，CSC，COO，DOK或LIL。
返回值 說明
Y numpy array or CSR matrix of shape [n_samples, n_classes]
對于二進制問題，形狀將為[n_samples，1]。