【火炉炼AI】机器学习002-标记编码方法
【本文所使用的Python库和版本号】: Python 3.5, Numpy 1.14, scikit-learn 0.19
监督学习中的标记的形式有各种各样，比如对于人脸识别的标记，可能是[“小红”，“小花”，“翠花”。。。]，这些标记对于机器学习来说，如同天书一般，故而为了让机器学习“看懂”这些标记，需要将这些文本类的标记进行一定的编码，形成比如【3,2,4,0，…】等形式
1. 编码方法
有很多python模块可以实现对标记进行编码，此处使用scikit-learn模块中的preprocessing包来进行编码。àTalk is cheap, just show me the code….
# *****************对label进行编码********************************
from sklearn import preprocessing
# 构建编码器
encoder=preprocessing.LabelEncoder() # 先定义一个编码器对象
raw_labels=['翠花','张三','王宝强','芙蓉姐姐','凤姐','王宝强','凤姐']
encoder.fit(raw_labels) # 返回自己的一个实例
print('编码器列表：{}'.format(encoder.classes_)) # 返回编码器中所有类别，已经排除了重复项
for index,item in enumerate(encoder.classes_):
print('{} --> {}'.format(item,index))
# 使用编码器来编码新样本数据
need_encode_labels=['王宝强','芙蓉姐姐','翠花']
# need_encode_labels=['王宝强','芙蓉姐姐','翠花','无名氏']
# '无名氏'不存在编码器列表中，会报错
encoded_labels=encoder.transform(need_encode_labels)
print('\n编码之前的标记：{}'.format(need_encode_labels))
print('编码之后的标记：{}'.format(encoded_labels))
# 使用编码器将编码数字解码成原来的文本标记，注意最大值不能超过编码器中的长度
encoded=[1,3,0,4]
# encoded=[1,3,0,4,5] # 5不存在与编码器中，故报错
decoded_labels=encoder.inverse_transform(encoded)
print('\n已经编码的标记代码：{}'.format(encoded))
print('解码后的标记：{}'.format(decoded_labels))
编码器列表：['凤姐' '张三' '王宝强' '翠花' '芙蓉姐姐']
凤姐 --> 0
张三 --> 1
王宝强 --> 2
翠花 --> 3
芙蓉姐姐 --> 4
编码之前的标记：['王宝强', '芙蓉姐姐', '翠花']
编码之后的标记：[2 4 3]
已经编码的标记代码：[1, 3, 0, 4]
解码后的标记：['张三' '翠花' '凤姐' '芙蓉姐姐']
小结：
u 1，使用sklearn的preprocessing模块对标记进行编码是非常简单的，首先构建一个基于所有标记数据的编码器，然后使用该编码器进行编码或解码
u 2，需要注意，在编码时，如果遇到编码器中没有的标记时会报错，在解码时也一样。
注：本部分代码已经全部上传到（我的github）上，如有任何问题，请联系我。
参考：Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译