Lære Labelencoder | Forbehandling af Data med Scikit-learn

OrdinalEncoder og OneHotEncoder bruges typisk til at kode features (variablen X). Dog kan målvariablen (y) også være kategorisk.


              123456789
            
import pandas as pd

# Load the data and assign X, y variables
df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv')
y = df['income'] # Income is a target in this dataset
X = df.drop('income', axis=1)

print(y)
print('All values: ', y.unique())

LabelEncoder bruges til at kode målvariablen, uanset om den er nominal eller ordinal.

ML-modeller tager ikke hensyn til rækkefølgen af målet, hvilket gør det muligt at kode det som vilkårlige numeriske værdier. LabelEncoder koder målet til tallene 0, 1, ... .


              1234567891011121314
            
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# Load the data and assign X, y variables
df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/adult_edu.csv')
y = df['income'] # Income is a target in this dataset
X = df.drop('income', axis=1)
# Initialize a LabelEncoder object and encode the y variable
label_enc = LabelEncoder()
y = label_enc.fit_transform(y)
print(y)
# Decode the y variable back
y_decoded = label_enc.inverse_transform(y)
print(y_decoded)

Koden ovenfor koder målet ved hjælp af LabelEncoder og anvender derefter metoden .inverse_transform() for at konvertere det tilbage til den oprindelige repræsentation.

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 7

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Stryg for at vise menuen