Lära Labelencoder | Förbehandling av Data med Scikit-learn

OrdinalEncoder och OneHotEncoder används vanligtvis för att koda egenskaper (variabeln X). Dock kan även målvariabeln (y) vara kategorisk.


              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 används för att koda målvariabeln, oavsett om den är nominell eller ordinal.

ML-modeller tar inte hänsyn till ordningen på målet, vilket gör att det kan kodas som vilka numeriska värden som helst. LabelEncoder kodar målet till siffrorna 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)

Koden ovan kodar målet med hjälp av LabelEncoder och använder sedan metoden .inverse_transform() för att konvertera tillbaka till den ursprungliga representationen.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 7

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn