scikit-multilearn 笔记 第四节 scikit-multilearn存储库

英文原文: 点我.
声明：此博文为对原英文文章的翻译加个人的理解，一方面为自己学习所用，另一方面为需要中文scikit-multilearn文档的小伙伴提供便利。

侵删

scikit-multilearn存储库

最初在MULAN数据存储库中提供的以下基准数据集以训练，测试和未划分的变体形式提供。 在训练/测试分割之前，未分割的变体包含完整的数据集。

from skmultilearn.dataset import available_data_sets
data_set = set([x[0] for x in available_data_sets().keys()])
print(data_set)
data_set_1 = set([x[1] for  x in available_data_sets().keys()])
print(data_set_1)

输出的结果为{‘rcv1subset5’, ‘rcv1subset4’, ‘yeast’, ‘mediamill’, ‘genbase’, ‘birds’, ‘scene’, ‘tmc2007_500’, ‘delicious’, ‘medical’, ‘bibtex’, ‘enron’, ‘rcv1subset2’, ‘rcv1subset3’, ‘rcv1subset1’, ‘Corel5k’, ‘emotions’}，与文档中不一样，应该是应为版本的问题。输出结果图片如下：

Scikit-multilearn可以为你自动下载数据集，类似scikit-learn数据集的API。

数据默认存储在SCIKIT_ML_LEARN_DATA环境变量的子文件夹scikit_ml_learn_data 中，如果没有设置环境斌拉，数据将存储在~/scikit_ml_learn_data文件夹下。
下载数据集使用下面这个方法：load_dataset 函数

from skmultilearn.dataset import load_dataset
X, y,feature_names,label_names = load_dataset('scene', 'train')
print(X.shape, y.shape, feature_names,label_names)

4.1 ARFF文件

存储多标记数据最普通的方式是ARFF文件格式，是由WEKA library创造的。你可以在MULAN data repository 上找到很多ARFF格式的基准数据集。

加载密集的和稀疏的ARFF文件在 scikit-multilearn中是简单的，仅需使用函数load_from_arff，就象这样：

from skmultilearn.dataset import load_from_arff

加载多标记ARFF文件需要额外的信息，因为标记的数量或者位置在这种格式下并不会直接指出。

path_to_arff_file = '_static/example.arff'
label_count = 7

不同的软件需要ARFF文件的不同部分中的标签：

• MEKA 需要标记出现在文件的开头。
• MULAN 需要标记出现在文件的结尾。
  例如来自MULAN的.arff文件，我们需要设置标记位置为结尾。

label_location = 'end'

保存ARFF数据有两种方式：

• 密集的：其中文件包含逐行完整的数据集转储，包括值为0的位置
• 稀疏的：如关键字字典一样，只列出非零元素的索引。

举的例子中文件为稀疏的，所以要将load_sparse设置为False，或者你需要元数据： feature and label names。

from skmultilearn.dataset import load_from_arff
path_to_arff_file = '_static/example.arff'
label_count = 7
label_location = 'end'
arff_file_is_sparse = False
X, y, feature_names, label_names = load_from_arff(
    path_to_arff_file,
    label_count=label_count,
    label_location=label_location,
    load_sparse=arff_file_is_sparse
)
print(X.shape, y.shape, feature_names[:3],label_names[:3])

运行结果如下，显示没有此文件。

正如您所看到的，scikit-multilearn默认将名义类型编码为整数，并将输入空间转换为浮点数，而输出空间转换为二进制指示符0/1表示为整数。 要更改此行为，请按API文档中的说明指定自己的load_from_arff参数。
如果你想保存ARFF文件，你可以使用这个方法：save_arff 函数，这个函数返回一个包含数据集的ARFF转储的字符串或者在传递filename参数时将其保存到提供的文件中。将数据的子集以稀疏的方式保存，并且标记在文件的开头。

from skmultilearn.dataset import save_to_arff
print(save_to_arff(X[:10,:4], y[:10, :3], label_location='start', save_sparse=True))

个人能力有限，望各位批评指正。