Oppiskele Kategoristen Muuttujien Koodaus

Kategoriset muuttujat ovat tietosi ominaisuuksia, jotka edustavat luokkia eivätkä numeerisia arvoja. Esimerkkejä ovat värit kuten "red", "green" ja "blue" tai tunnisteet kuten "yes" ja "no". Koneoppimisalgoritmit vaativat syötteenä numeerista dataa, joten nämä kategoriset muuttujat täytyy muuntaa numeeriseen muotoon ennen mallien käyttöä. Tätä prosessia kutsutaan koodaukseksi (encoding), ja se varmistaa, että algoritmit pystyvät tulkitsemaan ja oppimaan datasta tehokkaasti.

Määritelmä

One-hot-koodaus luo uuden binäärisen sarakkeen jokaiselle kategorisen muuttujan luokalle. Jokainen havainto saa arvon 1 sarakkeeseen, joka vastaa sen luokkaa, ja 0 muihin sarakkeisiin.


              12345678910111213
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# One-hot encode the 'embarked' column
embarked_encoded = pd.get_dummies(data["embarked"], prefix="embarked")

# Concatenate with original dataset
data = pd.concat([data, embarked_encoded], axis=1)

print(data[["embarked", "embarked_C", "embarked_Q", "embarked_S"]].head())

Määritelmä

Label encoding antaa jokaiselle muuttujan yksilölliselle luokalle kokonaislukuarvon, muuntaen tekstimuotoiset luokat numeroiksi.


              123456789101112
            
import seaborn as sns
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Label encode the 'sex' column
encoder = LabelEncoder()
data["sex_encoded"] = encoder.fit_transform(data["sex"])

print(data[["sex", "sex_encoded"]].head())

Määritelmä

Order encoding antaa järjestetyt kokonaislukuarvot luokille niiden luonnollisen järjestyksen perusteella. Tämä menetelmä säilyttää järjestysluonteisten kategoristen muuttujien sisäisen järjestyksen, kuten koulutustasot ("high school", "bachelor", "master", "doctorate").


              123456789101112131415161718
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Define the order of passenger classes: First < Second < Third
class_order = ["First", "Second", "Third"]

# Apply ordered categorical encoding
data["class_encoded"] = pd.Categorical(
    data["class"],
    categories=class_order,
    ordered=True
).codes + 1  # +1 to make classes start from 1 instead of 0

# Display sample output
print(data[["class", "class_encoded"]].head())

Huomio

Ole varovainen kategoristen muuttujien koodauksessa. One-hot-koodaus voi aiheuttaa dummy-muuttujaloukun – tilanteen, jossa piirteet ovat vahvasti korreloituneita, mikä voi hämmentää joitakin malleja. Tämän välttämiseksi voit jättää yhden dummy-sarakkeen pois. Label encoding eli nimikekoodaus asettaa järjestyssuhteen kategorioiden välille, mikä ei välttämättä sovi nimellisdatalle.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 8.33

Pyyhkäise näyttääksesi valikon

Määritelmä

One-hot-koodaus luo uuden binäärisen sarakkeen jokaiselle kategorisen muuttujan luokalle. Jokainen havainto saa arvon 1 sarakkeeseen, joka vastaa sen luokkaa, ja 0 muihin sarakkeisiin.


              12345678910111213
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# One-hot encode the 'embarked' column
embarked_encoded = pd.get_dummies(data["embarked"], prefix="embarked")

# Concatenate with original dataset
data = pd.concat([data, embarked_encoded], axis=1)

print(data[["embarked", "embarked_C", "embarked_Q", "embarked_S"]].head())

Määritelmä

Label encoding antaa jokaiselle muuttujan yksilölliselle luokalle kokonaislukuarvon, muuntaen tekstimuotoiset luokat numeroiksi.


              123456789101112
            
import seaborn as sns
import pandas as pd
from sklearn.preprocessing import LabelEncoder

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Label encode the 'sex' column
encoder = LabelEncoder()
data["sex_encoded"] = encoder.fit_transform(data["sex"])

print(data[["sex", "sex_encoded"]].head())

Määritelmä


              123456789101112131415161718
            
import seaborn as sns
import pandas as pd

# Load Titanic dataset
data = sns.load_dataset("titanic")

# Define the order of passenger classes: First < Second < Third
class_order = ["First", "Second", "Third"]

# Apply ordered categorical encoding
data["class_encoded"] = pd.Categorical(
    data["class"],
    categories=class_order,
    ordered=True
).codes + 1  # +1 to make classes start from 1 instead of 0

# Display sample output
print(data[["class", "class_encoded"]].head())

Huomio

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2