Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Labelencoder | Forbehandling af Data med Scikit-learn
ML Introduktion med Scikit-learn

bookLabelencoder

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())
copy

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)
copy

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

question mark

Vælg den korrekte påstand.

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 2. Kapitel 7

Spørg AI

expand

Spørg AI

ChatGPT

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

Awesome!

Completion rate improved to 3.13

bookLabelencoder

Stryg for at vise menuen

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())
copy

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)
copy

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

question mark

Vælg den korrekte påstand.

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 2. Kapitel 7
some-alt