如何使用多个 class 标签对数据进行编码？

Question

我有多个 class 的 class 化问题，比如 A、B、C 和 D。我的数据有以下 y 标签：

y0 = [['A'], ['B'], ['A','D'], ['A'], ['A','C','D'], ['D'], ..., ['C'], ['A','B','C','D'] , ['B']]

我想在这些标签上训练随机森林 classifier。首先，我需要对标签进行编码。我首先尝试 LabelEncoder:

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
le = LabelEncoder()
le.fit_transform(y0)
# encoded labels: array([0, 1, 2, 0, 3, 4, ... 5, 6, 1], dtype=int64)

我也试过OneHotEncoder，但很明显，LabelEncoder和OneHotEncoder在这里都行不通。问题是我无法使用多个 class 标签（例如 ['A','B','C']）对数据进行编码。我想这些琐碎的编码方法不是去这里的方法，那么编码我的 class 标签的最佳方法是什么？澄清一下，我不想对待例如['A','B'] 与 ['A'] 或 ['B'] 完全不同 class。我希望它是一个不同的 class 但同时仍然继承 A 和 B classes.

的特征

Answer 1

您可以使用 OrdinalEncoder 而不是使用 OneHotEncoder 或 LabelEncoder，它将分类特征编码为整数数组。

结果类将按顺序排列，例如按字母顺序排列 A、AB、AD 等

问题可能是 AB 是否更类似于 AC 或 AD。我的意思是字母顺序可能无法反映真正的相似性，例如在序数 'cold','warm','hot' 中，因此应该使用手动编码和重新排序。但是这个细节需要一些领域知识。

Answer 2

这种问题叫做multilabel（相对于multiclass每个样本只有一个class 标签），而 sklearn 期望多标签问题将目标编码为形状为 (n_samples, n_labels) 的二进制数组。您可以使用 MultiLabelBinarizer.

以该格式对数据进行编码

如何使用多个 class 标签对数据进行编码？

How to encode data with multiple class labels?

python

encoding

machine-learning

scikit-learn

one-hot-encoding