label_binarize

sklearn.preprocessing.label_binarize(y, *, classes, neg_label=0, pos_label=1, sparse_output=False)[source]

Бинаризация меток в схеме один-против-всех.

В scikit-learn доступны несколько алгоритмов регрессии и бинарной классификации. Простой способ расширения этих алгоритмов до случая многоклассовой классификации — использование схемы один-против-всех.

Эта функция позволяет вычислить это преобразование для заранее известного набора меток классов.

Параметры:

yмассив или разреженная матрица

Последовательность целочисленных меток или данных с множественной меткой для кодирования.

classesмассив формы (n_classes,)

Единственно содержит метку для каждого класса.

neg_labelцелое число, по умолчанию=0

Значение, с помощью которого должны кодироваться отрицательные метки.

pos_labelцелое число, по умолчанию=1

Значение, с помощью которого должны кодироваться положительные метки.

sparse_outputbool, по умолчанию=False,

Устанавливается в true, если выходной бинарный массив должен быть в формате разреженной матрицы CSR.

Возвращает:

Y{массив, разреженная матрица} формы (n_samples, n_classes)

Форма будет (n_samples, 1) для бинарных задач. Разреженная матрица будет в формате CSR.

См. также

LabelBinarizer

Класс, используемый для обертывания функциональности label_binarize и позволяющий подгонять классы независимо от операции преобразования.

Примеры

>>> from sklearn.preprocessing import label_binarize
>>> label_binarize([1, 6], classes=[1, 2, 4, 6])
array([[1, 0, 0, 0],
       [0, 0, 0, 1]])

Порядок классов сохраняется:

>>> label_binarize([1, 6], classes=[1, 6, 4, 2])
array([[1, 0, 0, 0],
       [0, 1, 0, 0]])

Бинарные цели преобразуются в столбец

>>> label_binarize(['yes', 'no', 'no', 'yes'], classes=['no', 'yes'])
array([[1],
       [0],
       [0],
       [1]])

Галерея примеров

Точность-полнота