二值化器#
- class sklearn.preprocessing.Binarizer(*, threshold=0.0, copy=True)[原始碼]#
根據閾值將資料二值化（將特徵值設定為 0 或 1）。
大於閾值的值對應到 1，而小於或等於閾值的值對應到 0。使用預設閾值 0，只有正值對應到 1。
二值化是文本計數資料的常見操作，分析師可以決定只考慮特徵是否存在，而不是量化的出現次數。
它也可以用作考慮布林隨機變數的估計器的預處理步驟（例如，在貝氏設定中使用白努利分佈建模）。
請在使用者指南中閱讀更多內容。
- 參數:
- thresholdfloat，預設值為 0.0
小於或等於此值的特徵值將被 0 取代，大於此值的則被 1 取代。對稀疏矩陣操作時，閾值不得小於 0。
- copybool，預設值為 True
設定為 False 以執行原地二值化並避免複製（如果輸入已經是 numpy 陣列或 scipy.sparse CSR 矩陣）。
- 屬性:
另請參閱
二值化 (binarize)不使用估計器 API 的等效函式。
KBinsDiscretizer將連續資料放入間隔中。
OneHotEncoder將類別特徵編碼為單熱數值陣列。
注意事項
如果輸入是稀疏矩陣，則只有非零值會受到
Binarizer類別的更新。此估計器是無狀態的，因此不需要擬合。但是，我們建議呼叫
fit_transform而不是transform，因為參數驗證僅在fit中執行。範例
>>> from sklearn.preprocessing import Binarizer >>> X = [[ 1., -1., 2.], ... [ 2., 0., 0.], ... [ 0., 1., -1.]] >>> transformer = Binarizer().fit(X) # fit does nothing. >>> transformer Binarizer() >>> transformer.transform(X) array([[1., 0., 1.], [1., 0., 0.], [0., 1., 0.]])
- fit(X, y=None)[原始碼]#
僅驗證估計器的參數。
此方法允許：（i）驗證估計器的參數和（ii）與 scikit-learn 轉換器 API 一致。
- 參數:
- X形狀為 (n_samples, n_features) 的 {array-like, sparse matrix}
資料。
- yNone
忽略。
- 傳回值:
- selfobject
已擬合的轉換器。
- fit_transform(X, y=None, **fit_params)[原始碼]#
擬合資料，然後轉換資料。
使用可選參數
fit_params將轉換器擬合到X和y，並傳回X的轉換版本。- 參數:
- X形狀為 (n_samples, n_features) 的 array-like
輸入樣本。
- y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的 array-like，預設值為 None
目標值（無監督轉換為 None）。
- **fit_paramsdict
其他擬合參數。
- 傳回值:
- X_new形狀為 (n_samples, n_features_new) 的 ndarray 陣列
轉換後的陣列。
- get_feature_names_out(input_features=None)[原始碼]#
取得轉換的輸出特徵名稱。
- 參數:
- input_featuresstr 或 None 的 array-like，預設值為 None
輸入特徵。
如果
input_features為None，則feature_names_in_用作輸入特徵名稱。如果feature_names_in_未定義，則會產生下列輸入特徵名稱：["x0", "x1", ..., "x(n_features_in_ - 1)"]。如果
input_features是 array-like，則如果feature_names_in_已定義，則input_features必須與feature_names_in_相符。
- 傳回值:
- feature_names_outstr 物件的 ndarray
與輸入特徵相同。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請檢查使用者指南以了解路由機制如何運作。
- 傳回值:
- routingMetadataRequest
封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[原始碼]#
取得此估計器的參數。
- 參數:
- deepbool，預設值為 True
如果為 True，將傳回此估計器和包含的子物件（估計器）的參數。
- 傳回值:
- paramsdict
對應到其值的參數名稱。
- set_output(*, transform=None)[原始碼]#
設定輸出容器。
請參閱介紹 set_output API以取得如何使用 API 的範例。
- 參數:
- transform{"default", "pandas", "polars"}，預設值為 None
設定
transform和fit_transform的輸出。"default"：轉換器的預設輸出格式"pandas"：DataFrame 輸出"polars"：Polars 輸出None：轉換設定保持不變
於 1.4 版本新增：新增
"polars"選項。
- 傳回值:
- self估算器實例
估算器實例。
- set_params(**params)[原始碼]#
設定此估算器的參數。
此方法適用於簡單的估算器以及巢狀物件（例如
Pipeline）。後者具有<component>__<parameter>形式的參數，因此可以更新巢狀物件的每個組件。- 參數:
- **paramsdict
估算器參數。
- 傳回值:
- self估算器實例
估算器實例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') Binarizer[原始碼]#
請求傳遞至
transform方法的中繼資料。請注意，此方法僅在
enable_metadata_routing=True時相關（請參閱sklearn.set_config）。請參閱關於路由機制如何運作的 使用者指南。每個參數的選項為：
True：請求中繼資料，並在提供時傳遞至transform。如果未提供中繼資料，則會忽略該請求。False：不請求中繼資料，且元估算器不會將其傳遞至transform。None：不請求中繼資料，如果使用者提供中繼資料，元估算器將會引發錯誤。str：中繼資料應該使用此給定的別名而不是原始名稱傳遞至元估算器。
預設值（
sklearn.utils.metadata_routing.UNCHANGED）會保留現有的請求。這讓您可以變更某些參數的請求，而其他參數則不變更。於 1.3 版本新增。
注意
此方法僅在此估算器用作元估算器的子估算器時才相關，例如在
Pipeline內部使用。否則，它沒有任何作用。- 參數:
- copystr、True、False 或 None，預設值 = sklearn.utils.metadata_routing.UNCHANGED
在
transform中，針對copy參數的中繼資料路由。
- 傳回值:
- selfobject
更新後的物件。