Oppiskele Labelencoder | Datan Esikäsittely Scikit-learnilla

Pyyhkäise näyttääksesi valikon

OrdinalEncoder ja OneHotEncoder käytetään tyypillisesti ominaisuuksien (muuttujan X) koodaamiseen. Kuitenkin myös kohdemuuttuja (y) voi olla kategorinen.


              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())

LabelEncoder-luokkaa käytetään kohdemuuttujan koodaamiseen, riippumatta siitä, onko se nominaalinen vai ordinaalinen.

ML-mallit eivät ota huomioon kohteen järjestystä, joten se voidaan koodata millä tahansa numeerisilla arvoilla. LabelEncoder koodaa kohteen numeroiksi 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)

Yllä oleva koodi koodaa kohteen käyttäen LabelEncoder-luokkaa ja käyttää sitten .inverse_transform()-metodia muuntaakseen sen takaisin alkuperäiseen esitysmuotoon.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 7

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 2. Luku 7