我在机器学习中使用sklearn的multilabelbinarizer()来训练模型中的多个列。
使用后我发现它在逆变换数据时会混淆数据。我创建了一个随机值的测试集来拟合数据、变换数据，并使用inverse_transform来恢复到原始数据。
我在jupyter笔记本中运行了一个简单的测试来展示这个错误：
在inverse_transformed的值中，它在第1行混淆了州和月份。
首先，我使用multilabelbinarizer的方式是否有错误？有没有其他方法可以达到同样的输出？
编辑：感谢@Nicolas M.帮助我解决了这个问题。我最终是这样解决这个问题的。
请原谅我的解释不够详细，但实际上比我最初想的要复杂。我改用了label_binarizer而不是multi_label_binarizer，因为它
我最终将label_binarizer的defaultdict进行了序列化，这样我可以在不同的模块中加载和使用它来进行我的机器学习项目。
有一件事可能并不简单，那就是我在为每列创建的数据框中添加了新的头部。它的形式是列名 + 列号。我这样做是因为我需要逆变换数据。为了做到这一点，我搜索了包含原始列名的列，这将较大的数据框分成单独的列块。
这里是一些我使用过的变量及其含义，供参考：lb_dict – 存储不同标签二值化的默认字典。binarize_df – 存储二值化数据的数据框。binarized_label – 对列中的一个标签进行二值化。header – 创建新的头部形式：列名 + 列号。
inverse_df – 存储逆变换数据的数据框。one_label_list – 查找包含原始列标签的列名列表。one_label_df – 创建一个仅存储一个列的二值化数据的新数据框。single_label – 被逆变换成一列的二值化数据。
在这个代码中，data是我传递给函数的数据框。
lb_dict = defaultdict(LabelBinarizer)# 创建一个占位数据框，用于加入新的二值化数据binarize_df = pd.DataFrame(['x'] * len(data.index), columns=['place_holder'])# 遍历每个列，创建一个二值化器并拟合/变换数据# 将新数据添加到binarize_df数据框中for column in data.columns.values.tolist(): lb_dict[column].fit(data[column]) binarized_label = lb_dict[column].transform(data[column]) header = [column + str(i) for i in range(0, len(binarized_label[0]))] binarize_df = binarize_df.join(pd.DataFrame(binarized_label, columns=header))# 删除占位值binarize_df.drop(labels=['place_holder'], axis=1, inplace=True)这是我编写的逆变换函数：
inverse_df = pd.DataFrame(['x'] * len(output.index), columns=['place_holder'])# 使用for循环遍历需要逆变换的不同输出列for column in output_cols: # 根据名称是否包含原始输出列名，创建基于不同头部的列表 one_label_list = [x for x in output.columns.values.tolist() if column in x] one_label_df = output[one_label_list] # 对一个标签的数据框进行逆变换 single_label = label_binarizer[column].inverse_transform(one_label_df.values) # 将单个标签数据框的输出加入到整个输出数据框中 inverse_df = inverse_df.join(pd.DataFrame(single_label, columns=[column]))inverse_df.drop(labels=['place_holder'], axis=1, inplace=True)回答：
