在python中将概率向量转换为目标向量？

我在sklearn的iris数据集上做逻辑回归，我知道数学并尝试实现它。在最后一步，我得到一个预测向量，这个预测向量表示该数据点到类1或类2（二进制分类）的概率

现在我想把这个预测向量变成目标向量。假设概率大于50%，则相应的数据点将属于类别1，否则为类别2。使用0表示类1，使用1表示类2

我知道它有一个for-loop版本，只是在整个向量中循环。但是当大小变大时，for循环非常昂贵，所以我想更有效地执行它，就像numpy的矩阵运算一样，它比在for循环中执行矩阵运算更快

对更快的方法有什么建议吗

import numpy as np

a = np.matrix('0.1 0.82')
print(a)

a[a > 0.5] = 1
a[a <= 0.5] = 0
print(a)

更新：

---

对于多类或更通用的解决方案，请使用

np.argmax（y_hat，轴=1）

对于具有多个类的多个向量的2D数组，更通用的解决方案是：

import numpy as np
a = np.array( [ [.5, .3, .2], 
                [.1, .2, .7], 
                [ 1,  0,  0] ] )

idx = np.argmax(a, axis=-1)
a = np.zeros( a.shape )
a[ np.arange(a.shape[0]), idx] = 1

print(a)

输出：

[[1. 0. 0.]
 [0. 0. 1.]
 [1. 0. 0.]]    

---

如果您希望随后使用混淆矩阵等进行处理，并再次在scikit中获取目标变量的原始格式：

array（[10…1]）

您可以使用：

a = clf.predict_proba(X_test)[:,1]
a = np.where(a>0.5, 1, 0)

---

[：，1]

引用第二类（在我的例子中：1），在我的例子中，第一类是0

选项1:如果您进行二进制分类，并且有1d预测向量，那么您的解决方案是：

选项2:如果您有一个n维单热预测矩阵，但希望有标签，则可以使用。这将返回带标签的1d向量：

prob = model.predict(X_test)
y = np.argmax(prob, axis=1)

---

vec=prob>0.5…这真的很有帮助

a = clf.predict_proba(X_test)[:,1]
a = np.where(a>0.5, 1, 0)

prob = model.predict(X_test)
Y = np.round(prob)

prob = model.predict(X_test)
y = np.argmax(prob, axis=1)