Label-Encoder
Der OrdinalEncoder und der OneHotEncoder werden typischerweise verwendet, um Merkmale (die X-Variable) zu kodieren. Allerdings kann auch die Zielvariable (y) kategorisch sein.
123456789import 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())
Der LabelEncoder wird verwendet, um das Ziel zu kodieren, unabhängig davon, ob es nominal oder ordinal ist.
ML-Modelle berücksichtigen die Reihenfolge des Zielwerts nicht, sodass dieser als beliebige numerische Werte codiert werden kann.
LabelEncoder codiert das Ziel als Zahlen 0, 1, ... .
1234567891011121314import 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)
Der obige Code codiert das Ziel mithilfe von LabelEncoder und verwendet anschließend die Methode .inverse_transform(), um es wieder in die ursprüngliche Darstellung zurückzuwandeln.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 3.13Label-Encoder
Swipe um das Menü anzuzeigen
Der OrdinalEncoder und der OneHotEncoder werden typischerweise verwendet, um Merkmale (die X-Variable) zu kodieren. Allerdings kann auch die Zielvariable (y) kategorisch sein.
123456789import 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())
Der LabelEncoder wird verwendet, um das Ziel zu kodieren, unabhängig davon, ob es nominal oder ordinal ist.
ML-Modelle berücksichtigen die Reihenfolge des Zielwerts nicht, sodass dieser als beliebige numerische Werte codiert werden kann.
LabelEncoder codiert das Ziel als Zahlen 0, 1, ... .
1234567891011121314import 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)
Der obige Code codiert das Ziel mithilfe von LabelEncoder und verwendet anschließend die Methode .inverse_transform(), um es wieder in die ursprüngliche Darstellung zurückzuwandeln.
Danke für Ihr Feedback!
