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

Binarice las etiquetas en una forma de uno contra todos.

Varios algoritmos de regresión y clasificación binaria están disponibles en scikit-learn. Una forma sencilla de extender estos algoritmos al caso de clasificación de clases múltiples es utilizar el llamado esquema de uno contra todos.

Esta función hace posible calcular esta transformación para un conjunto fijo de etiquetas de clase conocidas de antemano.

Parámetros
yarray-like

Secuencia de etiquetas de números enteros o datos de varias etiquetas para codificar.

classesarray-like of shape (n_classes,)

Sostiene de forma única 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,

Establézcalo en verdadero si se desea una matriz binaria de salida en formato CSR disperso.

Devoluciones
Yndarray, sparse matrix of shape (n_samples, n_classes)

La forma será (n_samples, 1) para problemas binarios. La matriz dispersa tendrá formato CSR.

Ver también

LabelBinarizer

Clase utilizada para envolver la funcionalidad de label_binarize y permitir el ajuste a clases independientemente de la operación de transformación.

Ejemplos de

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

El orden de la clase se conserva:

>>> 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 de columna

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

Ejemplos usando sklearn.preprocessing.label_binarize

Característica de funcionamiento del receptor (ROC)

Característica de funcionamiento del receptor (ROC)

Recuperación de precisión

Recuperación de precisión