6.9 转换预测目标（y）¶

这些转换器不打算用于特征，而只能用于有监督的学习目标。如果要转换预测目标以进行学习，但请在原始（未转换）空间中评估模型，另请参见在回归中转换目标。

6.9.1 标签二值化

LabelBinarizer 是一个实用程序类，可从多类标签列表中创建标签指示矩阵：

>>> from sklearn import preprocessing
>>> lb = preprocessing.LabelBinarizer()
>>> lb.fit([1, 2, 6, 4, 2])
LabelBinarizer()
>>> lb.classes_
array([1, 2, 4, 6])
>>> lb.transform([1, 6])
array([[1, 0, 0, 0],
       [0, 0, 0, 1]])

对于多标签实例，请使用MultiLabelBinarizer：

>>> lb = preprocessing.MultiLabelBinarizer()
>>> lb.fit_transform([(1, 2), (3,)])
array([[1, 1, 0],
       [0, 0, 1]])
>>> lb.classes_
array([1, 2, 3])

6.9.2 标签编码

LabelEncoder是一个实用程序类，可帮助标准化标签，使其仅包含0到n_classes-1之间的值。有时对于编写有效的Cython例程很有用。LabelEncoder可以如下使用：

>>> from sklearn import preprocessing
>>> le = preprocessing.LabelEncoder()
>>> le.fit([1, 2, 2, 6])
LabelEncoder()
>>> le.classes_
array([1, 2, 6])
>>> le.transform([1, 1, 2, 6])
array([0, 0, 1, 2])
>>> le.inverse_transform([0, 0, 1, 2])
array([1, 1, 2, 6])

它也可以用于将非数字标签（只要它们是可哈希的和可比较的）转换为数字标签：

>>> le = preprocessing.LabelEncoder()
>>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
LabelEncoder()
>>> list(le.classes_)
['amsterdam', 'paris', 'tokyo']
>>> le.transform(["tokyo", "tokyo", "paris"])
array([2, 2, 1])
>>> list(le.inverse_transform([2, 2, 1]))
['tokyo', 'tokyo', 'paris']