Etiket kodlama

Kategorik veriler LabelEncoder ile sayısal değerlere dönüştürülür.

LabelEncoder

Modeller sayılarla çalışır; metin etiketler tam sayıya kodlanmalıdır. LabelEncoder her farklı değere alfabetik sırayla 0, 1, 2... verir:

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(["kedi", "köpek", "kedi", "kuş"])
print(y)                 # [0 1 0 2]
print(le.classes_)       # ['kedi' 'köpek' 'kuş']
print(le.inverse_transform([2]))  # ['kuş']

LabelEncoder etiket (y) içindir.

One-hot kodlama

Sırasız kategorik özellikler her değer için ayrı bir 0/1 sütununa açılır:

from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
X = enc.fit_transform([["kırmızı"], ["mavi"], ["kırmızı"]]).toarray()
print(X)   # [[1. 0.] [0. 1.] [1. 0.]]
print(enc.categories_)

pandas'ta aynı işi pd.get_dummies(df, columns=["renk"]) yapar. Sıralı kategoriler (küçük < orta < büyük) için OrdinalEncoder uygundur.

Uygulama Etiketleri kodla

LabelEncoder ile renk listesini kodla ve sonucu yazdır. Ardından classes_ uzunluğunu yazdır.

Örnek çözümü göster

from sklearn.preprocessing import LabelEncoder

renk = ["yeşil", "mavi", "yeşil", "sarı", "mavi"]

le = LabelEncoder()
print(le.fit_transform(renk))
print(len(le.classes_))

Kendini test et

Özellik sütununa (X) LabelEncoder uygulamak neden sorunlu olabilir?
- Sorun değildir
- Sayılar sahte bir sıra (0 < 1 < 2) ima eder
- Çok yavaştır
- Metin kabul etmez
Cevabı göster

Sayılar sahte bir sıra (0 < 1 < 2) ima eder — Doğrusal modeller "kuş" (2) değerini "kedi" (0) değerinden büyük sanır; sırasız kategoriler için one-hot kullanılır.

Kodlanmış sayıları metne geri çevir.

adlar = le.____([0, 2])

Cevabı göster

adlar = le.inverse_transform([0, 2])

Kodlayıcıları eşleştir.

LabelEncoder

Etiketleri tam sayıya
OneHotEncoder

Her değere 0/1 sütunu
OrdinalEncoder

Sıralı kategoriler
get_dummies

pandas ile one-hot

Sıradaki ders: Veri bölme

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler