Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Label-Encoder | Datenvorverarbeitung mit Scikit-Learn
ML-Einführung Mit Scikit-Learn

bookLabel-Encoder

Der OrdinalEncoder und der OneHotEncoder werden typischerweise verwendet, um Merkmale (die X-Variable) zu kodieren. Allerdings kann auch die Zielvariable (y) kategorisch sein.

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

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, ... .

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

Der obige Code codiert das Ziel mithilfe von LabelEncoder und verwendet anschließend die Methode .inverse_transform(), um es wieder in die ursprüngliche Darstellung zurückzuwandeln.

question mark

Wählen Sie die korrekte Aussage.

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 7

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

Can you explain the difference between LabelEncoder and OneHotEncoder?

Why do we use LabelEncoder for the target variable instead of OneHotEncoder?

Can you show how to interpret the encoded values from LabelEncoder?

Awesome!

Completion rate improved to 3.13

bookLabel-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.

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

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, ... .

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

Der obige Code codiert das Ziel mithilfe von LabelEncoder und verwendet anschließend die Methode .inverse_transform(), um es wieder in die ursprüngliche Darstellung zurückzuwandeln.

question mark

Wählen Sie die korrekte Aussage.

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 7
some-alt