Label Encoder vs One Hot Encoder în Machine Learning [2022]

Modelele de învățare automată implementate în numeroase aplicații necesită adesea o serie de conversii de la date categoriale sau focarele de text la descrierea numerică. Pentru a se conforma nevoilor de conversie sunt utilizate două tipuri de codificatoare și anume codificatoare de etichetă și un codificator cald .

Partea dificilă este când să alegeți codificatorul de etichetă și când să alegeți un codificator fierbinte . Alegerea deciziei are un impact asupra modelului și formează, de asemenea, baza multor întrebări adresate în general oamenilor de știință ai datelor și pasionaților de învățare automată.

Alegerea codificării afectează în mod viu coeficientul de precizie al modelului și, prin urmare, poate duce la o soluție optimizată. Pentru a înțelege diferența pe care o va face pe modele, trebuie să înțelegem codificatoarele de etichetă și un codificator fierbinte .

Printr-un grafic de cunoștințe în inteligența artificială și învățarea automată, un aspect pe care cei mai mulți dintre noi l-ar recunoaște este că majoritatea algoritmilor lucrează în mod rezonabil cu intrări numerice. În consecință, provocarea centrală cu care se confruntă un analist este de a transforma datele text în date numerice și totuși de a face ca un model să formuleze un punct din acestea.

Codificator de etichete

Label Encoding citează transmogrificarea etichetelor în formă numerică pentru a o schimba într-o formă care poate fi citită de mașină. Algoritmii de învățare automată pot determina ulterior într-un mod corect cum trebuie gestionate aceste etichete. Este o măsură crucială de preprocesare în timpul setului de date integrat în învățarea supravegheată.

De exemplu, avem un set de date care are o comparație a unei anumite calități într-o anumită abilitate sub forma unei comparații superlative între frați. Setul de date este bun, mai bun, cel mai bun. După aplicarea unui codificator de etichetă, fiecărei calități i se va atribui o etichetă 0,1,2 respectiv. Eticheta pentru calitate bună este 0, pentru mai bine eticheta este 1 și pentru cea mai bună calitate, eticheta este 2.

Exemplul menționat mai sus a fost de bază în ceea ce privește setul de date. Conversia poate fi pentru orice set de date, fie că este vorba despre înălțime, vârstă, culoarea ochilor, tipul irisului, simptome etc.

Codificarea etichetelor în Python poate fi implementată folosind Biblioteca Sklearn. Sklearn furnizează o metodă foarte eficientă pentru codificarea categoriilor de caracteristici categoriale în valori numerice. Codificatorul de etichete codifică etichete cu credit între 0 și n-1 clase, unde n este numărul de etichete diferite. Dacă o etichetă reiterează, aceasta desemnează meritul exact așa cum a fost numit anterior.

Și pentru a renova acest tip de date de text categoriale în date care pot fi înțelese prin date numerice model, folosim clasa Label Encoder. Trebuie să etichetăm codificarea coloanei inițiale, să importam clasa LabelEncoder din biblioteca sklearn, să echipăm și să reînnoim secțiunea inițială a datelor și apoi să reabilităm datele text care apar cu datele proaspete codificate.

Aceasta este o scurtă descriere a codificării etichetelor. În funcție de date, codificarea etichetelor inițiază o nouă dilemă. Pentru ilustrare, am codificat o grămadă de nume de regate în date numerice. Acestea sunt date în întregime categorice și nu există nicio asociere, de niciun fel, între rânduri.

Pentru a rezolva acest obstacol, există necesitatea adoptării unei noi tehnici de codare. Dilema aici este că, deoarece există mai multe cantități într-o secțiune similară, prototipul va aprecia greșit datele ca fiind în același mod de ordine, 0 < 1 < 2. Dar aceasta nu este deloc problema. Pentru a atenua această dificultate, folosim un codificator fierbinte.

Trebuie citit: Idei de proiecte de învățare automată

Un codificator fierbinte

One-Hot Encoding este un alt protocol proeminent pentru tratarea variabilelor categorice. Ea stabilește doar următoarele caracteristici stabilite pe volumul valorilor distincte în trăsătura categorială. Valorile distincte întregi din clasificare vor fi mărite sub formă de contur. O codificare fierbinte ia o secțiune care are date categorice, care are o etichetă existentă codificată și apoi împarte secțiunea în numeroase secțiuni. Volumele sunt refăcute cu 1s și 0s, contând pe ce secțiune are ce valoare.

Codificatorul one-hot nu aprobă matricele 1-D. Intrarea ar trebui să fie întotdeauna o matrice 2-D.

Datele ratificate codificatorului nu trebuie să includă șiruri de caractere.

Majoritatea algoritmilor de învățare automată predominanți nu pot fi implicați în date categorice. Mai degrabă, datele categorice necesită să fie modificate în date numerice. Codificarea one-hot este una dintre strategiile utilizate pentru a efectua această conversie. Această tehnică este utilizată în principal acolo unde metodele de învățare profundă trebuie să se coreleze cu probleme de succesiune secvențială.

Codificarea one-hot este practic manifestarea variabilelor categorice ca vectori binari. Valorile categoriale sunt inițial mapate la valori întregi. Fiecare valoare întreagă este exemplificată ca un vector binar care este tot 0.

Dar ce se va întâmpla dacă avem mai multe fișiere de gestionat?

Scikit-learn este susceptibil de aranjarea secțiunilor, așa că dacă setul de date de antrenament și seturile de date de testare au contradicții în el, rezultatele vor fi o absurditate. Acest lucru s-ar putea întâmpla dacă o categorie ar avea mai multe numere de valori în datele de antrenament față de datele de testare.

Asigurați-vă că datele de testare sunt codificate într-un mod identic cu datele de antrenament cu comanda de aliniere. Comanda de aliniere dă naștere siguranței că secțiunile apar în decretul exact în ambele seturi de date.

Citiți: Modele de învățare automată

Concluzie

Globul este plin de date categorice. Un analist va fi un om de știință de date mult mai benefic dacă știi cum să folosești aceste date. Prin urmare, oricine încearcă să lucreze la astfel de modele trebuie să fie bine familiarizat cu utilizarea codificatorului de etichete și a unui codificator fierbinte în învățarea automată.

Dacă sunteți interesat să aflați mai multe despre învățarea automată, consultați Diploma PG de la IIIT-B și upGrad în Învățare automată și AI, care este concepută pentru profesioniști care lucrează și oferă peste 450 de ore de pregătire riguroasă, peste 30 de studii de caz și sarcini, IIIT- B Statut de absolvenți, peste 5 proiecte practice practice și asistență pentru locuri de muncă cu firme de top.