Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Codificador de Etiquetas | Preprocesamiento de Datos con Scikit-learn
Introducción al ML con Scikit-Learn

bookCodificador de Etiquetas

El OrdinalEncoder y el OneHotEncoder se utilizan normalmente para codificar características (la variable X). Sin embargo, la variable objetivo (y) también puede ser categórica.

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

El LabelEncoder se utiliza para codificar la variable objetivo, sin importar si es nominal u ordinal.

Los modelos de ML no consideran el orden del objetivo, permitiendo que se codifique como cualquier valor numérico. LabelEncoder codifica el objetivo en números 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

El código anterior codifica el objetivo utilizando LabelEncoder y luego utiliza el método .inverse_transform() para convertirlo nuevamente a su representación original.

question mark

Elige la afirmación correcta.

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 2. Capítulo 7

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Awesome!

Completion rate improved to 3.13

bookCodificador de Etiquetas

Desliza para mostrar el menú

El OrdinalEncoder y el OneHotEncoder se utilizan normalmente para codificar características (la variable X). Sin embargo, la variable objetivo (y) también puede ser categórica.

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

El LabelEncoder se utiliza para codificar la variable objetivo, sin importar si es nominal u ordinal.

Los modelos de ML no consideran el orden del objetivo, permitiendo que se codifique como cualquier valor numérico. LabelEncoder codifica el objetivo en números 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

El código anterior codifica el objetivo utilizando LabelEncoder y luego utiliza el método .inverse_transform() para convertirlo nuevamente a su representación original.

question mark

Elige la afirmación correcta.

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 2. Capítulo 7
some-alt