लेबलइन्कोडर और OneHotEncoder के बीच अंतर SciKit में जानें

यदि आपने हाल ही में मशीन लर्निंग में अपनी यात्रा शुरू की है, तो आप LabelEncoder और OneHotEncoder के बीच उलझ सकते हैं। दोनों एन्कोडर पायथन में SciKit Learn Library का हिस्सा हैं और दोनों का उपयोग श्रेणीबद्ध या पाठ्य डेटा को उन संख्याओं में परिवर्तित करने के लिए किया जाता है जिन्हें हमारे पूर्वानुमान मॉडल सबसे अच्छा समझते हैं। आइए सरल उदाहरण पर एनकोडर के बीच के अंतर का पता लगाएं।

चरित्र एन्कोडिंग

सबसे पहले, लेबल के लिए SciKit लर्न डॉक्यूमेंटेशन यहां पाया जा सकता है । अब निम्नलिखित आंकड़ों पर विचार करें:

इस उदाहरण में, पहला कॉलम (देश) पूरी तरह से टेक्स्ट है। जैसा कि आप पहले से ही जानते हैं, हम मॉडल को प्रशिक्षित करने के लिए डेटा में पाठ का उपयोग नहीं कर सकते हैं। इसलिए, इससे पहले कि हम प्रक्रिया शुरू कर सकें, हमें यह डेटा तैयार करना होगा।

और ऐसी श्रेणियों को संख्यात्मक डेटा के समझने योग्य मॉडल में बदलने के लिए, हम LabelEncoder वर्ग का उपयोग करते हैं। इस प्रकार, हम सभी को पहले कॉलम के लिए विशेषता प्राप्त करने की आवश्यकता है, वर्ग को स्केलेर लाइब्रेरी से आयात करना है, कॉलम को fit_transform फ़ंक्शन के साथ संसाधित करें , और मौजूदा पाठ डेटा को नए एन्कोडेड के साथ बदलें। कोड को देखते हैं।

from sklearn.preprocessing import LabelEncoder labelencoder = LabelEncoder() x[:, 0] = labelencoder.fit_transform(x[:, 0]) 

यह माना जाता है कि डेटा चर x में है । ऊपर दिए गए कोड को चलाने के बाद, यदि आप x मान की जांच करते हैं, तो आप देखेंगे कि पहले कॉलम में तीन देशों को 0, 1 और 2 की संख्या से बदल दिया गया है।

सामान्य तौर पर, यह संकेतों की कोडिंग है। लेकिन आंकड़ों के आधार पर, यह रूपांतरण एक नई समस्या पैदा करता है। हमने देशों के एक समूह को संख्याओं के समूह में बदल दिया है। लेकिन यह सिर्फ श्रेणीबद्ध डेटा है, और वास्तव में संख्याओं के बीच कोई संबंध नहीं है।

यहां समस्या यह है कि, चूंकि एक ही कॉलम में अलग-अलग संख्याएँ हैं, इसलिए मॉडल गलत तरीके से सोचेंगे कि डेटा कुछ विशेष क्रम में है - 0 <1 <2 हालांकि यह, ज़ाहिर है, ऐसा बिल्कुल भी नहीं है। समस्या को हल करने के लिए, हम OneHotEncoder का उपयोग करते हैं ।

OneHotEncoder

यदि आप दस्तावेज़ पढ़ने में रुचि रखते हैं, तो आप इसे यहाँ पा सकते हैं। अब, जैसा कि हमने पहले ही चर्चा की है, हमारे पास मौजूद डेटा के आधार पर, हम ऐसी स्थिति का सामना कर सकते हैं, जहां विशेषताओं को एन्कोडिंग करने के बाद, हमारा मॉडल भ्रमित हो जाता है, गलत तरीके से यह मान लेता है कि डेटा एक आदेश या पदानुक्रम द्वारा जुड़ा हुआ है जो वास्तव में नहीं है। इससे बचने के लिए, हम OneHotEncoder का उपयोग करेंगे ।

यह एनकोडर एक श्रेणीबद्ध डेटा के साथ एक कॉलम लेता है जो पहले एक विशेषता में एन्कोड किया गया है और इसके लिए कई नए कॉलम बनाता है। संख्याओं को लोगों और शून्य के साथ बदल दिया जाता है, यह निर्भर करता है कि कौन सा कॉलम अंतर्निहित है। हमारे उदाहरण में, हमें तीन नए कॉलम मिले हैं, प्रत्येक देश के लिए एक - फ्रांस, जर्मनी और स्पेन।

उन पंक्तियों के लिए जिनका पहला कॉलम फ्रांस है, कॉलम "फ्रांस" को "1" और दूसरे दो कॉलम को "0" पर सेट किया जाएगा। इसी तरह, उन पंक्तियों के लिए जिनका पहला कॉलम जर्मनी है, जर्मनी कॉलम में "1" और अन्य दो कॉलम में "0" होगा।

यह बहुत सरलता से किया जाता है:

 from sklearn.preprocessing import OneHotEncoder onehotencoder = OneHotEncoder(categorical_features = [0]) x = onehotencoder.fit_transform(x).toarray() 

कंस्ट्रक्टर में, हम इंगित करते हैं कि हमारे मामले में OneHotEncoder द्वारा किस कॉलम को संसाधित किया जाना चाहिए - [0] । फिर आपके द्वारा अभी बनाए गए एनकोडर ऑब्जेक्ट के fit_transform फ़ंक्शन का उपयोग करके एक्स सरणी को रूपांतरित करें । यही है, अब हम डेटासेट में तीन नए कॉलम हैं:

जैसा कि आप देख सकते हैं, एक देश के साथ एक कॉलम के बजाय, हमें इस देश को एन्कोडिंग करने वाले तीन नए मिल गए।

यह LabEncoder और OneHotEncoder से अंतर है।