Labelencoder
L'OrdinalEncoder
e l'OneHotEncoder
sono generalmente utilizzati per codificare le feature (la variabile X
). Tuttavia, anche la variabile target (y
) può essere categorica.
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())
Il LabelEncoder
viene utilizzato per codificare il target, indipendentemente dal fatto che sia nominale o ordinale.
I modelli di ML non considerano l'ordine del target, permettendo che venga codificato con qualsiasi valore numerico.
LabelEncoder
codifica il target in numeri 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)
Il codice sopra codifica il target utilizzando LabelEncoder
e poi usa il metodo .inverse_transform()
per convertirlo nuovamente nella rappresentazione originale.
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Awesome!
Completion rate improved to 3.13
Labelencoder
Scorri per mostrare il menu
L'OrdinalEncoder
e l'OneHotEncoder
sono generalmente utilizzati per codificare le feature (la variabile X
). Tuttavia, anche la variabile target (y
) può essere categorica.
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())
Il LabelEncoder
viene utilizzato per codificare il target, indipendentemente dal fatto che sia nominale o ordinale.
I modelli di ML non considerano l'ordine del target, permettendo che venga codificato con qualsiasi valore numerico.
LabelEncoder
codifica il target in numeri 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)
Il codice sopra codifica il target utilizzando LabelEncoder
e poi usa il metodo .inverse_transform()
per convertirlo nuovamente nella rappresentazione originale.
Grazie per i tuoi commenti!