分类中的目标变量是否需要数值编码？

Question

我正在使用 sklearn 进行文本分类，我所有的特征都是数字，但我的目标变量标签在文本中。我可以理解将特征编码为数字背后的基本原理，但我认为这不适用于目标变量吗？

Answer 1

如果您的目标变量是文本形式，您可以将其转换为数字形式（或者您可以不理会它，请参阅下面我的注释）以便任何 Scikit-learn 算法在 OVA 中选择它（ One Versus All) 方案：你的学习算法将尝试猜测每个 class 与剩余的相比，只有当它们将被转换为从 0 到（classes 的数字 - 1）的数字代码时.

例如，在 Scikit-Learn 文档中的这个 example 中，您可以计算出虹膜的 class，因为有三个模型可以评估每个可能的 class：

class 0 与 classes 1 和 2
class 1 与 classes 0 和 2
class 2 对比 classes 0 和 1

当然，class0、1、2是Setosa、Versicolor和Virginica，但算法需要将它们表示为数字代码，您可以通过探索示例代码的结果来验证：

list(iris.target_names)
['setosa', 'versicolor', 'virginica']

np.unique(Y)
array([0, 1, 2])

NOTE: it is true that Scikit-learn encodes by itself the target labels if they are strings. On Scikit-learn's Github page for logistic regression (https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/linear_model/logistic.py) you can see at rows 1623 and 1624 where the code calls the label encoder and it encodes labels automatically:
# Encode for string labels
label_encoder = LabelEncoder().fit(y)
y = label_encoder.transform(y)

Answer 2

我会说是的。 Scikit-learn 对其一些训练和预测方法以及一些评分方法进行自动编码 - 但不是全部。 Source code for skl's _encode method code here。我不知道其他库，但你可能不会进行这种自动编码。

如果您在商业环境中工作，我认为最好首先对标签进行编码，这样您就不必在生产阶段重做流水线。

分类中的目标变量是否需要数值编码？

Is numerical encoding necessary for the target variable in classification?

python

machine-learning

sklearn-pandas