sklearn.preprocessing.label_binarize¶
- sklearn.preprocessing.label_binarize()¶
Binariza las etiquetas de una forma uno contra todos (one-vs-all).
Varios algoritmos de regresión y clasificación binaria están disponibles en scikit-learn. Una forma sencilla de extender estos algoritmos al caso de la clasificación multiclase es utilizar el llamado esquema de uno contra todos.
Esta función permite calcular esta transformación para un conjunto fijo de etiquetas de clase conocidas de antemano.
- Parámetros
- yarray-like
Secuencia de etiquetas enteras o datos multietiqueta a codificar.
- classesarray-like de forma (n_classes,)
Contiene de forma exclusiva la etiqueta para cada clase.
- neg_labelint, default=0
Valor con el que se deben codificar las etiquetas negativas.
- pos_labelint, default=1
Valor con el que se deben codificar las etiquetas positivas.
- sparse_outputbool, default=False,
Establécelo en True si deseas un arreglo binario de salida en formato CSR disperso.
- Devuelve
- Y{ndarray, sparse matrix} de forma (n_samples, n_classes)
La forma será (n_samples, 1) para los problemas binarios. La matriz dispersa tendrá el formato CSR.
Ver también
LabelBinarizerClase utilizada para envolver la funcionalidad de label_binarize y permitir el ajuste a las clases independientemente de la operación de transformación.
Ejemplos
>>> from sklearn.preprocessing import label_binarize >>> label_binarize([1, 6], classes=[1, 2, 4, 6]) array([[1, 0, 0, 0], [0, 0, 0, 1]])
Se mantiene el orden de las clases:
>>> label_binarize([1, 6], classes=[1, 6, 4, 2]) array([[1, 0, 0, 0], [0, 1, 0, 0]])
Los objetivos binarios se transforman en un vector columna
>>> label_binarize(['yes', 'no', 'no', 'yes'], classes=['no', 'yes']) array([[1], [0], [0], [1]])
