[tensorflow] sklearn包中label_binarize和model_selection.train_test_split

最新推荐文章于 2021-12-09 20:03:41 发布
最新推荐文章于 2021-12-09 20:03:41 发布
阅读量266 收藏
点赞数
分类专栏： tensorflow2.0
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Trance95/article/details/115803743
版权

sklearn文档：
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.label_binarize.html#sklearn.preprocessing.label_binarize

sklearn.preprocessing.label_binarize

类的顺序被保留：

from sklearn.preprocessing import label_binarize
label_binarize([1, 6], classes=[1, 2, 4, 6])
# 1 4个特征2值化 转换成 [1,0,0,0]
array([[1, 0, 0, 0],
       [0, 0, 0, 1]])

二元目标转换为列向量：

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

model_selection.train_test_split

from sklearn.model_selection import train_test_split 
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size =.3,random_state=0)

from sklearn import cross_validation  ##这个将被弃用,被移动在model_selection模块内
X_train,X_test,y_train,y_test = cross_validation.train_test_split(X,y,test_size=.3,random_state=0)
心心喵
关注
专栏目录
【Python机器学习】零基础掌握LabelBinarizer数据预处理
Mr数据杨
11-09 290
LabelBinarizer 是一种简便的工具，用于将分类数据转换为机器学习算法可理解的二进制格式。在城市绿化等级智能分类案例中，该工具帮助将植被种类的文本标签转换为模型易于处理的数值数据，实现了对不同绿化区域的高效分类。这不仅提高了数据处理速度，也使得结果更加直观易懂。优点总结，使用 LabelBinarizer，可以将分类标签转换为二进制格式，简化了数据预处理步骤。其操作简单，适用于各种机器学习模型，特别是那些要求输入为数值型数据的模型。它支持稀疏输出，有助于处理大规模数据集，减少内存占用。优点名称。
ml_data.zip
01-28
from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 分割数据集为训练集和测试集 X_train, X_test, y_...
label_binarize
qq_40016005的博客
11-20 4969
label_binarize(y, *, classes, neg_label=0, pos_label=1, sparse_output=False): """Binarize labels in a one-vs-all fashion Several regression and binary classification algorithms are available in scikit-learn. A simple way to..
LabelBinarizer 函数与独热编码
qq_34211618的博客
01-05 1976
数据处理时有时需要将离散特征进行独热编码或者哑变量编码。两者的区别如下所示 上述图片引用自 https://www.cnblogs.com/lianyingteng/p/7792693.html 两者区别似乎不是很大。 LabelBinarizer 将标签矩阵二值化 from sklearn import preprocessing from sklearn import tree # hel...
LabelBinarizer进行单分类和多分类one-hot编码
wj1298250240的博客
12-18 1335
LabelBinarizer进行单分类和多分类one-hot编码 5.1 Encoding Nominal Categorical Feature¶ feature # 加载库 使用LabelBinarizer 进行one-hot编码 import numpy as np from sklearn.preprocessing import LabelBinarizer, MultiLabel...
标签二值化LabelBinarizer
TH_NUM的博客
08-09 3176
对于标称型数据来说，preprocessing.LabelBinarizer是一个很好用的工具。比如可以把yes和no转化为0和1，或是把incident和normal转化为0和1。当然，对于两类以上的标签也是适用的。这里举一个简单的例子，说明将标签二值化以及其逆过程。 from sklearn.preprocessing import LabelBinarizer lb=LabelBinari...
keras 神经网络解决回归问题实例_波士顿房价预测.rar
03-21
from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler ``` 加载波士顿房价数据集并将其分为训练集和测试集： ```python boston = load_boston() X = boston....
ROC.ipynb_PYHTON_莺尾花_
10-02
from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, roc_auc_score import matplotlib.pyplot as plt # 加载...
Iris_Flower_Classification_Model_Deployment:使用Flask- Iris花卉分类器的机器学习模型部署
05-04
from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier # 加载Iris数据集并训练模型 iris = datasets.load_iris() X_train, X_test, y_train, y_test = ...
assignment_python3_
10-03
from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from statsmodels.tsa.arima.model import ARIMA # 加载数据 data = pd.read_csv('lake_data.csv') # ...
LabelBinarizer的妙用
ningyanggege的博客
07-27 2877
import scipy.signal as signal import pylab as pl import numpy as np import sys from sklearn import linear_model import datetime as dt from sklearn.preprocessing import LabelBinarizerarr=np.array(['湖南省...
LabelBinarizer的标签二值化
qq_41056152的博客
05-25 584
对于标称型数据来说，preprocessing.LabelBinarizer是一个很好用的工具。比如可以把yes和no转化为0和1，或是把incident和normal转化为0和1。当然，对于两类以上的标签也是适用的。这里举一个简单的例子，说明将标签二值化以及其逆过程。 # -*- coding: UTF-8 -*- from sklearn import preprocessing from sklearn import tree # help(preprocessing.LabelBinarizer)
sklearn 学习笔记
追风人的博客
07-20 119
sklearn.feature_extraction.text.TfidfVectorizer 官方文档：https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html TfidfVectorizer(input=’content’, encoding=’u...
scikit-learn初级
weixin_50559423的博客
12-09 7382
s第一章 scikit-learn初级 官网：https://scikit-learn.org/stable/index.html 1.1 Scikit-Learn简介 Scikit-Learn（简称Sklearn）是Python的第三方模块，它是机器学习领域中知名的Python模块之一，它对常用的机器学习算法进行了封装，包括回归（Regression）、降维（Dimensionality Reduction）、分类（Classification）和聚类（Clustering）四大机器学习算法。Scikit
数据预处理系列：（六）标签特征二元化
风雪夜归子
06-25 1万+
标签特征二元化 在这个主题中，我们将用另一种方式来演示分类变量。有些时候只有一两个分类特征是重要的，这时就要避免多余的维度，如果有多个分类变量就有可能会出现这些多余的维度。 Getting ready 处理分类变量还有另一种方法，不需要通过OneHotEncoder，我们可以用LabelBin
sklearn.preprocessing.LabelBinarizer
每天进步一点点2017
07-13 5572
标签二值化：sklearn.preprocessing.LabelBinarizer(neg_label=0, pos_label=1,sparse_output=False)主要是将多类标签转化为二值标签，最终返回的是一个二值数组或稀疏矩阵 参数说明： neg_label：输出消极标签值 pos_label：输出积极标签值 sparse_output：设置True时，以行压缩格式
使用sklearn进行数据预处理之Binarizer,LabelEncoder,LabelBinarizer,OneHotEncoder
JustForFun的博客
04-19 1万+
前言 数据预处理的过程中经常需要对数据进行数值化等处理，比如将性别男女转换为计算机可以理解的1和0，还有将数值化的1，2，3，4，5按照阈值3转换为0，0，0，1，1等，下面介绍一下sklearn提供的类。 Binarizer 这个就是根据阈值将数值型转变为二进制型，阈值可以进行设定，另外只能对数值型数据进行处理，且传入的参数必须为2D数组，也就是不能是Series这种类型，shape为...
python + sklearn ︱分类效果评估——acc、recall、F1、ROC、回归、距离
热门推荐
素质云笔记
07-16 8万+
之前提到过聚类之后，聚类质量的评价： 聚类︱python实现 六大 分群质量评估指标（兰德系数、互信息、轮廓系数） R语言相关分类效果评估： R语言︱分类器的性能表现评价（混淆矩阵，准确率，召回率，F1,mAP、ROC曲线）.一、acc、recall、F1、混淆矩阵、分类综合报告1、准确率第一种方式：accuracy_score# 准确率 import numpy as np from skl
sklearn.model_selection.train_test_split中如何定义model
最新发布
06-09
`sklearn.model_selection.train_test_split` 是用于将数据集划分为训练集和测试集的函数，它并不需要定义模型。通常，在使用 `train_test_split` 函数之前，需要先加载数据集并定义机器学习模型。以下是一个简单的示例： ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression import pandas as pd # 加载数据集 data = pd.read_csv('data.csv') # 定义特征和标签 X = data[['feature1', 'feature2', 'feature3']] y = data['label'] # 定义模型 model = LinearRegression() # 将数据集划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 使用训练集拟合模型 model.fit(X_train, y_train) # 在测试集上评估模型 score = model.score(X_test, y_test) print(score) ``` 在这个例子中，我们首先加载了一个名为 `data.csv` 的数据集，并定义了特征和标签。然后，我们定义了一个线性回归模型 `LinearRegression`。接着，我们使用 `train_test_split` 函数将数据集划分为训练集和测试集，并使用训练集拟合模型。最后，我们在测试集上评估模型，并输出了模型得分。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心心喵

喵喵(*^▽^*）

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值