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, independientemente de 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

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

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, independientemente de 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