机器学习Label Encoder和One Hot Encoder

标签编码(Label Encoder)

 

机器学习Label Encoder和One Hot Encoder

 

 

在本例中第一列是Country, 如果我们要运行任何模型, 数据中不能包含文本

所以要对文本进行处理

接下来,我们从sklearn库中导入LabelEncoder类

 

from sklearn.preprocessing import LabelEncoder

labelencoder = LableEncoder()

X[:, 0] = labelencoder.fit_transform(X[:, 0])

 

 

假设数据在X变量中,运行代码后,检查X的值,发现国家已经被1, 2, 3取代

 

机器学习Label Encoder和One Hot Encoder

 

 

 

 

Label Encoder的问题:

我们将一组国家名称编码成数据,实际上是分类数据,数据与数据之间无任何关系。

而标签编码数据有顺序关系,0<1<2

 

因此,我们可以采用One Hot Encoder

 

独热编码(One Hot Encoder)

 

采用One Hot Encoder编码后,

数字将被0和1替换,

运行如下代码:

 

from sklearn.preprocessing import OneHotEncoder

onehotencoder = OneHotEncoder(categorical_feature=0)

x = onehotencoder.fit_transform(x).toarray

 

 

机器学习Label Encoder和One Hot Encoder

 

 

 

如图所见,我们新增三个新列,每个国家那一列代表1,其它两项代表0. 例如第一列值为France, 具有France的列将变为1,其它两列为0;类似的,对于第一个列值为

Germany列, 'Germany'列将有'1', 其它两列将为0

 

References:

机器学习中的Label Encoder和One Hot Encoder   [Accessed at 11 Septermber 2019] 

https://kknews.cc/code/kba3lvv.html

上一篇:面试题系列---【什么是Promise,解决什么问题?Promise.all解决了什么问题?实现原理?回调地狱?】


下一篇:git push提示:Push rejected