我们已经知道，某种格式的数据对于机器学习算法是必需的。 另一个重要的要求是，在将数据作为机器学习算法的输入发送之前，必须正确标记数据。 例如，如果所说的分类，那么数据上会有很多标记。 这些标记以文字，数字等形式存在。与sklearn中的机器学习相关的功能期望数据必须具有数字标记。 因此，如果数据是其他形式，那么它必须转换为数字。 这个将单词标签转换为数字形式的过程称为标记编码。

标记编码步骤

按照以下步骤在Python中对数据标记进行编码 -

第1步 - 导入有用的软件包

如果使用Python，那么这将是将数据转换为特定格式(即预处理)的第一步。 它可以做到如下 -

import numpy as np

from sklearn import preprocessing

第2步 - 定义样本标签

导入包后，我们需要定义一些样本标签，以便可以创建和训练标签编码器。 现在将定义以下样本标签 -

# Sample input labels

input_labels = ['red','black','red','green','black','yellow','white']

第3步 - 创建和训练标签编码器对象

在这一步中，我们需要创建标签编码器并对其进行训练。 以下是Python代码的实现 -

# Creating the label encoder

encoder = preprocessing.LabelEncoder()

encoder.fit(input_labels)

以下是运行上面的Python代码后的输出 -

LabelEncoder()

此步骤可用于通过编码随机排序列表来检查性能。 下面的Python代码可以做同样的事情 -

# encoding a set of labels

test_labels = ['green','red','black']

encoded_values = encoder.transform(test_labels)

print("\nLabels =", test_labels)

标签将如下打印 -

Labels = ['green', 'red', 'black']

现在，可以得到编码值列表，即将文字标签转换为数字，如下所示 -

print("Encoded values =", list(encoded_values))

输出结果打印如下 -

Encoded values = [1, 2, 0]

通过对随机数字集进行解码，可以使用此步骤来检查性能。 下面的Python代码也可以做同样的事情 -

现在，将被打印如下 -

Encoded values = [3, 0, 4, 1]

print("\nDecoded labels =", list(decoded_list))

现在，解码值将被打印如下 -

Decoded labels = ['white', 'black', 'yellow', 'green']

标记与未标记数据

未标记的数据主要由自然或人造物体的样本组成，这些样本可以很容易从现实世界中获得。 它们包括音频，视频，照片，新闻文章等。

另一方面，带标签的数据采用一组未标记的数据，并用一些有意义的标签或标签或类来扩充每片未标记的数据。 例如，如果有照片，那么标签可以基于照片的内容放置，即它是男孩或女孩或动物或其他任何照片。 标记数据需要人类专业知识或判断一个给定的未标记数据。

有很多情况下，无标签数据丰富且容易获得，但标注数据通常需要人工/专家进行注释。 半监督学习尝试将标记数据和未标记数据组合起来，以建立更好的模型。