6.9. 变换预测目标 (`y`)#

这些转换器并非旨在用于特征，仅用于监督学习目标。如果您想变换预测目标以进行学习，但在原始（未变换）空间中评估模型，请参阅回归中的目标变换。

6.9.1. 标签二值化#

6.9.1.1. LabelBinarizer#

LabelBinarizer 是一个实用程序类，用于帮助根据多类别标签列表创建标签指示矩阵。

>>> 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]])

使用此格式可以在支持标签指示矩阵格式的估计器中启用多类别分类。

警告

如果您使用的是已经支持多类别数据的估计器，则不需要 LabelBinarizer。

有关多类别分类的更多信息，请参阅多类别分类。

6.9.1.2. MultiLabelBinarizer#

在多标签学习中，二元分类任务的联合集用标签二元指示数组表示：每个样本是形状为 (n_samples, n_classes) 的二维数组的一行，其中包含二元值，其中 1（即非零元素）对应于该样本的标签子集。例如 np.array([[1, 0, 0], [0, 1, 1], [0, 0, 0]]) 这样的数组表示第一个样本中的标签 0，第二个样本中的标签 1 和 2，以及第三个样本中没有标签。

将多标签数据作为标签集合的列表可能会更直观。MultiLabelBinarizer 转换器可用于在标签集合的集合和指示符格式之间进行转换。

>>> from sklearn.preprocessing import MultiLabelBinarizer
>>> y = [[2, 3, 4], [2], [0, 1, 3], [0, 1, 2, 3, 4], [0, 1, 2]]
>>> MultiLabelBinarizer().fit_transform(y)
array([[0, 0, 1, 1, 1],
       [0, 0, 1, 0, 0],
       [1, 1, 0, 1, 0],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 0, 0]])

有关多标签分类的更多信息，请参阅多标签分类。

6.9.2. 标签编码#

LabelEncoder 是一个实用程序类，用于帮助规范化标签，使其仅包含 0 到 n_classes-1 之间的数值。这有时对于编写高效的 Cython 例程很有用。LabelEncoder 的使用方法如下：

>>> from sklearn import preprocessing
>>> le = preprocessing.LabelEncoder()
>>> le.fit([1, 2, 2, 6])
LabelEncoder()
>>> le.classes_
array([1, 2, 6])
>>> le.transform([1, 1, 2, 6])
array([0, 0, 1, 2])
>>> le.inverse_transform([0, 0, 1, 2])
array([1, 1, 2, 6])

它还可以用于将非数值标签（只要它们是可哈希的和可比较的）转换为数值标签。

>>> le = preprocessing.LabelEncoder()
>>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
LabelEncoder()
>>> list(le.classes_)
['amsterdam', 'paris', 'tokyo']
>>> le.transform(["tokyo", "tokyo", "paris"])
array([2, 2, 1])
>>> list(le.inverse_transform([2, 2, 1]))
['tokyo', 'tokyo', 'paris']

6.9. 变换预测目标 (y)#