Преобразование целевого прогноза

Введение

В машинном обучении перед обучением модели часто необходимо преобразовать целевой прогноз. Это может включать задачи, такие как преобразование многоклассовых меток в бинарную индикаторную матрицу или кодирование нечисловых меток в числовые метки.

В этом лабе мы будем изучать различные методы, предоставляемые модулем sklearn.preprocessing в scikit-learn для преобразования целевого прогноза.

Советы по ВМ

После запуска ВМ нажмите в левом верхнем углу, чтобы переключиться на вкладку Ноутбук, чтобы получить доступ к Jupyter Notebook для практики.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook не загрузится. Валидация операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если вы сталкиваетесь с проблемами во время обучения, не стесняйтесь задавать вопросы Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Skills Graph

Бинаризация меток

Бинаризация меток - это процесс преобразования многоклассовых меток в бинарную индикаторную матрицу. Это можно сделать с использованием класса LabelBinarizer.

from sklearn import preprocessing

## Создаем экземпляр LabelBinarizer
lb = preprocessing.LabelBinarizer()

## Настраиваем LabelBinarizer на списке многоклассовых меток
lb.fit([1, 2, 6, 4, 2])

## Получаем классы, изученные LabelBinarizer
lb.classes_

## Преобразуем список многоклассовых меток в бинарную индикаторную матрицу
lb.transform([1, 6])

Бинаризация многофакторных меток

Бинаризация многофакторных меток - это процесс преобразования коллекции коллекций меток в индикаторный формат. Это можно сделать с использованием класса MultiLabelBinarizer.

from sklearn.preprocessing import MultiLabelBinarizer

## Определяем список коллекций меток
y = [[2, 3, 4], [2], [0, 1, 3], [0, 1, 2, 3, 4], [0, 1, 2]]

## Создаем экземпляр MultiLabelBinarizer и применяем fit_transform к списку коллекций
MultiLabelBinarizer().fit_transform(y)

Кодирование меток

Кодирование меток - это процесс преобразования нечисловых меток в числовые метки. Это можно сделать с использованием класса LabelEncoder.

from sklearn import preprocessing

## Создаем экземпляр LabelEncoder
le = preprocessing.LabelEncoder()

## Настраиваем LabelEncoder на списке нечисловых меток
le.fit(["paris", "paris", "tokyo", "amsterdam"])

## Получаем классы, изученные LabelEncoder
list(le.classes_)

## Преобразуем список нечисловых меток в числовые метки
le.transform(["tokyo", "tokyo", "paris"])

## Обратное преобразование числовых меток в нечисловые метки
list(le.inverse_transform([2, 2, 1]))

Резюме

В этом лабе мы узнали, как преобразовать целевой прогноз с использованием различных методов, предоставляемых модулем sklearn.preprocessing в scikit-learn. Эти методы включали бинаризацию меток, бинаризацию многофакторных меток и кодирование меток.