machine-learning - scikit learn 中序数数据和分类数据作为标签的区别

Question

我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for categorical data 。但我有点困惑，当这两类数据是要预测的特征时，应该如何处理它们。例如，在 scikitlearn 的 iris 数据集中:

iris = datasets.load_iris()
X = iris.data
y = iris.target

虽然 y 代表三种类型的花，这是一个分类数据(如果我没记错的话？!)，它被编码为 0,1,2 的序数值(type=int32)。我的数据集还包括 3 个独立的类别(“生病”、“携带者”、“健康”)，scikitlearn 接受它们作为字符串，无需任何类型的编码。

我想知道保留它们是否正确，因为它们将由 scikitlearn 使用，或者需要对 iris 数据集进行类似的编码？

Answer 1

您不需要对标签进行编码。 scikitlearn 会处理它。用于构建分类器的同一个表:

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)

我只是制作一个较小的表格并将标签从整数更改为字符串:

X1 = X[:5]
y1 = y[:5]
y1 = ['a', 'a', 'a','b', 'a']
clf = LogisticRegression(random_state=0).fit(X1, y1)
clf.predict(X1[:2, :])
clf.predict_proba(X1[:2, :])
clf.score(X1, y1)

一切都好。