One-Hot-Koodaus
Kun kyseessä ovat nominaaliset arvot, niiden käsittely on hieman monimutkaisempaa.
Ordinaalisille tiedoille, kuten käyttäjäarvioille välillä 'Terrible'–'Great', niiden koodaaminen numeroiksi 0–4 on sopivaa, koska malli voi hyödyntää sisäistä järjestystä.
Sen sijaan ominaisuudelle kuten 'city', jossa on viisi erillistä kategoriaa, niiden koodaaminen numeroiksi 0–4 antaisi virheellisesti ymmärtää järjestyksen olemassaolon. Tässä tapauksessa one-hot-koodaus on parempi vaihtoehto, sillä se esittää kategoriat ilman hierarkiaa.
Nominaalisen datan koodaamiseen käytetään OneHotEncoder-muunninta. Se luo sarakkeen jokaiselle yksilölliselle arvolle. Jokaisella rivillä asetetaan arvo 1 sen sarakkeen kohdalle, joka vastaa rivin arvoa, ja 0 muihin sarakkeisiin.
Alkuperäinen arvo 'NewYork' on nyt 1 sarakkeessa 'City_NewYork' ja 0 muissa City_-sarakkeissa.
Käytä OneHotEncoder-muunninta penguins-aineistoon. Nominaaliset ominaisuudet ovat 'island' ja 'sex'. Sarake 'species' on kohde ja käsitellään erikseen, kun käsitellään kohteen koodausta seuraavassa luvussa.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
OneHotEncoder-muuntimen käyttämiseksi alustetaan enkooderiobjekti ja välitetään valitut sarakkeet metodille .fit_transform(), samalla tavalla kuin muidenkin muuntimien kanssa.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
.toarray()-metodi muuntaa OneHotEncoder-muuntimen tuottaman harvan matriisin tiheäksi NumPy-taulukoksi. Tiheät taulukot näyttävät kaikki arvot eksplisiittisesti, mikä helpottaa koodatun datan visualisointia ja käsittelyä DataFrame-rakenteessa. Harvat matriisit tallentavat vain nollasta poikkeavat alkiot, mikä optimoi muistin käytön. Voit jättää tämän metodin pois nähdäksesi eron tulosteessa.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Mahtavaa!
Completion arvosana parantunut arvoon 3.13One-Hot-Koodaus
Pyyhkäise näyttääksesi valikon
Kun kyseessä ovat nominaaliset arvot, niiden käsittely on hieman monimutkaisempaa.
Ordinaalisille tiedoille, kuten käyttäjäarvioille välillä 'Terrible'–'Great', niiden koodaaminen numeroiksi 0–4 on sopivaa, koska malli voi hyödyntää sisäistä järjestystä.
Sen sijaan ominaisuudelle kuten 'city', jossa on viisi erillistä kategoriaa, niiden koodaaminen numeroiksi 0–4 antaisi virheellisesti ymmärtää järjestyksen olemassaolon. Tässä tapauksessa one-hot-koodaus on parempi vaihtoehto, sillä se esittää kategoriat ilman hierarkiaa.
Nominaalisen datan koodaamiseen käytetään OneHotEncoder-muunninta. Se luo sarakkeen jokaiselle yksilölliselle arvolle. Jokaisella rivillä asetetaan arvo 1 sen sarakkeen kohdalle, joka vastaa rivin arvoa, ja 0 muihin sarakkeisiin.
Alkuperäinen arvo 'NewYork' on nyt 1 sarakkeessa 'City_NewYork' ja 0 muissa City_-sarakkeissa.
Käytä OneHotEncoder-muunninta penguins-aineistoon. Nominaaliset ominaisuudet ovat 'island' ja 'sex'. Sarake 'species' on kohde ja käsitellään erikseen, kun käsitellään kohteen koodausta seuraavassa luvussa.
123456import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') print('island: ', df['island'].unique()) print('sex: ', df['sex'].unique())
OneHotEncoder-muuntimen käyttämiseksi alustetaan enkooderiobjekti ja välitetään valitut sarakkeet metodille .fit_transform(), samalla tavalla kuin muidenkin muuntimien kanssa.
1234567891011import pandas as pd from sklearn.preprocessing import OneHotEncoder df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins_imputed.csv') # Assign X, y variables y = df['species'] X = df.drop('species', axis=1) # Initialize an OneHotEncoder object one_hot = OneHotEncoder() # Print transformed 'sex', 'island' columns print(one_hot.fit_transform(X[['sex', 'island']]).toarray())
.toarray()-metodi muuntaa OneHotEncoder-muuntimen tuottaman harvan matriisin tiheäksi NumPy-taulukoksi. Tiheät taulukot näyttävät kaikki arvot eksplisiittisesti, mikä helpottaa koodatun datan visualisointia ja käsittelyä DataFrame-rakenteessa. Harvat matriisit tallentavat vain nollasta poikkeavat alkiot, mikä optimoi muistin käytön. Voit jättää tämän metodin pois nähdäksesi eron tulosteessa.
Kiitos palautteestasi!
