label_binarize

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

Бинаризует метки по схеме «один против всех».

В scikit-learn доступны несколько алгоритмов регрессии и бинарной классификации. Простой способ расширить эти алгоритмы для решения задачи многоклассовой классификации — использовать так называемую схему «один против всех».

Эта функция позволяет выполнить такое преобразование для заранее заданного набора меток классов.

Параметры:

yподобный массиву объект или разреженная матрица

Последовательность целочисленных меток или многометочные данные для кодирования.

classesподобный массиву объект формы (n_classes,)

Содержит уникальную метку для каждого класса.

neg_labelint, по умолчанию=0

Значение, которым кодируются отрицательные метки.

pos_labelint, по умолчанию=1

Значение, которым кодируются положительные метки.

sparse_outputbool, по умолчанию=False,

Установите значение true, если требуется представить выходной бинарный массив в разреженном формате CSR.

Возвращает:

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

Для задач бинарной классификации форма будет (n_samples, 1). Разреженная матрица будет иметь формат CSR.

См. также

LabelBinarizer

Класс, оборачивающий функциональность label_binarize и позволяющий подбирать 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 целевые значения преобразуются в вектор-столбец

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

Примеры в галерее

Precision-Recall