В машинном обучении метки или целевые переменные часто имеют категориальный характер. Чтобы работать с этими метками в scikit-learn, вам необходимо закодировать их в числовые значения. Кодирование меток — это важный этап предварительной обработки, который позволяет алгоритмам эффективно обрабатывать категориальные данные. В этой статье мы рассмотрим несколько методов кодирования меток, доступных в scikit-learn, а также примеры кода, чтобы помочь вам выбрать наиболее подходящий подход для ваших задач машинного обучения.

Метод 1: порядковое кодирование
Порядковое кодирование присваивает уникальное целочисленное значение каждой уникальной категории в столбце метки. Этот метод особенно полезен, когда между категориями существует определенный порядок или иерархия.

from sklearn.preprocessing import OrdinalEncoder
# Create an instance of OrdinalEncoder
encoder = OrdinalEncoder()
# Fit and transform the label column
encoded_labels = encoder.fit_transform(labels)

Метод 2: горячее кодирование
Горячее кодирование создает двоичные столбцы для каждой уникальной категории в столбце метки. Каждый столбец представляет категорию, наличие категории обозначается цифрой 1, а 0 — отсутствием этой категории.

from sklearn.preprocessing import OneHotEncoder
# Create an instance of OneHotEncoder
encoder = OneHotEncoder()
# Fit and transform the label column
encoded_labels = encoder.fit_transform(labels)

Метод 3: Бинаризация меток
Бинаризация меток аналогична горячему кодированию, но она преобразует столбец метки в двоичную матрицу, где каждая строка представляет экземпляр, а каждый столбец представляет уникальную категорию в столбце метки.

from sklearn.preprocessing import label_binarize
# Binarize the label column
encoded_labels = label_binarize(labels, classes=categories)

Метод 4: целевое кодирование
Целевое кодирование, также известное как среднее кодирование, заменяет каждую категорию средним значением целевой переменной для этой категории. Этот метод может быть эффективен при работе с категориальными признаками высокой мощности.

import category_encoders as ce
# Create an instance of TargetEncoder
encoder = ce.TargetEncoder(cols=['label_column'])
# Fit and transform the label column
encoded_labels = encoder.fit_transform(data['label_column'], data['target_variable'])

Метод 5: частотное кодирование
Частотное кодирование заменяет каждую категорию частотой ее появления в столбце метки. Этот метод может быть полезен при сохранении информации о распределении категорий.

import pandas as pd
# Compute the frequency of each category in the label column
frequency = labels.value_counts(normalize=True)
# Map the frequency to the label column
encoded_labels = labels.map(frequency)

Кодирование меток — важный этап подготовки категориальных меток для моделей машинного обучения. В этой статье мы рассмотрели пять популярных методов кодирования меток, доступных в scikit-learn: порядковое кодирование, горячее кодирование, бинаризация меток, целевое кодирование и частотное кодирование. Каждый метод имеет свои преимущества и подходит для разных сценариев. Поняв и применив эти методы, вы сможете эффективно предварительно обработать данные этикеток и повысить производительность моделей машинного обучения.