如何对具有多个类标签的数据进行编码？答案

【问题标题】：How to encode data with multiple class labels?如何对具有多个类标签的数据进行编码？
【发布时间】：2020-10-30 14:43:36
【问题描述】：

我有多个类别的分类问题，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一个随机森林分类器。首先，我需要对标签进行编码。我第一次尝试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，但显然LabelEncoder 和OneHotEncoder 都不能在这里工作。问题是我无法使用多个类标签（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这里的方法，那么编码我的类标签的最佳方法是什么？为了澄清，我不想对待例如['A','B'] 与 ['A'] 或 ['B'] 完全不同。我希望它是一个不同的类，但同时仍继承 A 类和 B 类的特性。

【问题讨论】：

标签： python machine-learning encoding scikit-learn one-hot-encoding

【解决方案1】：

这种问题称为 multilabel（与 multiclass 相对，其中每个样本只有一个类标签），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。

【讨论】：

【解决方案2】：

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。

生成的类将按顺序排列，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，例如序数比例'cold','warm','hot'，因此应该使用手动编码和重新排序。但是这些细节需要一些领域知识。

【讨论】：