Бинаризатор

classsklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)[исходный код]

Бинаризует данные (задает значения признаков равными 0 или 1) в соответствии с порогом.

Значения, превышающие порог, преобразуются в 1, а значения, меньшие или равные порогу, — в 0. При пороговом значении по умолчанию, равном 0, в 1 преобразуются только положительные значения.

Бинаризация — распространенная операция над данными о количестве вхождений текста, при которой аналитик может учитывать только наличие или отсутствие признака, а не, например, количественное число его вхождений.

Ее также можно использовать в качестве этапа предварительной обработки для оценщиков, работающих с булевыми случайными переменными (например, моделируемыми с помощью распределения Бернулли в байесовском подходе).

Подробнее см. в Руководстве пользователя.

Параметры:

thresholdfloat, по умолчанию=0.0

Значения признаков, меньшие или равные этому порогу, заменяются на 0, а превышающие его — на 1. При операциях с разреженными матрицами порог не может быть меньше 0.

copybool, по умолчанию=True

Задайте значение False, чтобы выполнить бинаризацию на месте и избежать создания копии (если входные данные уже являются массивом numpy или матрицей scipy.sparse формата CSR).

Атрибуты:

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время обучения. Определяется, только если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

binarize

Эквивалентная функция без API оценщика.

KBinsDiscretizer

Разбивает непрерывные данные на интервалы.

OneHotEncoder

Кодирует категориальные признаки в числовой массив в формате one-hot.

Примечания

Если входные данные — разреженная матрица, класс Binarizer обновляет только ненулевые значения.

Этот оценщик является не имеющим состояния, поэтому его не нужно обучать. Однако мы рекомендуем вызывать fit_transform вместо transform, поскольку проверка параметров выполняется только в fit.

Примеры

>>> from sklearn.preprocessing import Binarizer
>>> X = [[ 1., -1.,  2.],
...      [ 2.,  0.,  0.],
...      [ 0.,  1., -1.]]
>>> transformer = Binarizer().fit(X)  # fit does nothing.
>>> transformer
Binarizer()
>>> transformer.transform(X)
array([[1., 0., 1.],
       [1., 0., 0.],
       [0., 1., 0.]])

fit(X, y=None)[исходный код]

Только проверяет параметры оценщика.

Этот метод позволяет: (i) проверить параметры оценщика и (ii) обеспечить совместимость с API преобразователей scikit-learn.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Данные.

yNone

Игнорируется.

Возвращает:

selfobject

Обученный преобразователь.

fit_transform(X, y=None, **fit_params)[исходный код]

Обучает на данных, а затем преобразует их.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их, только если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Возвращает имена выходных признаков для преобразования.

Параметры:

input_featuresarray-like из str или None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то feature_names_in_ используется как имена входных признаков. Если feature_names_in_ не определен, генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является объектом array-like, то input_features должен совпадать с feature_names_in_, если определен feature_names_in_.

Возвращает:

feature_names_outndarray из объектов str

Совпадает с входными признаками.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Возвращает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нем объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

set_output(*, transform=None)[исходный код]

Задает контейнер для выходных данных.

Подробнее см. в руководстве пользователя, а пример использования API приведен в разделе Знакомство с API set_output.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настраивает формат выходных данных для transform и fit_transform.

• "default": формат выходных данных преобразователя по умолчанию
• "pandas": вывод в формате DataFrame
• "polars": вывод в формате Polars
• None: конфигурация преобразования остается без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_transform_request(*, copy:bool|None|str='$UNCHANGED$') → Binarizer[исходный код]

Настраивает, следует ли запрашивать передачу метаданных в метод transform.

Обратите внимание, что этот метод актуален только при использовании данного оценщика как вложенного оценщика в составе метаоценщика и при включенной маршрутизации метаданных с помощью enable_metadata_routing=True (см. sklearn.set_config). О том, как работает механизм маршрутизации, см. в Руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в transform, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоценщик не передает их в transform.
• None: метаданные не запрашиваются, и метаоценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные передаются метаоценщику под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет текущий запрос. Это позволяет изменить запрос для одних параметров, не меняя его для других.

Добавлено в версии 1.3.

Параметры:

copystr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра copy в transform.

Возвращает:

selfobject

Обновленный объект.

transform(X, copy=None)[исходный код]

Бинаризует каждый элемент X.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Данные для поэлементной бинаризации. Чтобы избежать ненужного копирования, матрицы scipy.sparse следует передавать в формате CSR.

copybool

Создавать ли копию входных данных X.

Возвращает:

X_tr{ndarray, sparse matrix} формы (n_samples, n_features)

Преобразованный массив.