바뀜

# 원핫 인코딩(One-Hot Encoding).

# 원핫 인코딩(One-Hot Encoding).

#:그런데, 빨강, 초록 등의 중립적인 값은 어떻게 처리해야 하는가? 이런 경우엔 선택지에 따라 열을 세분화하여 해당값을 갖는 경우에만 1을 부여하는 등의 방식을 사용한다.

#:그런데, 빨강, 초록 등의 중립적인 값은 어떻게 처리해야 하는가? 이런 경우엔 선택지에 따라 열을 세분화하여 해당값을 갖는 경우에만 1을 부여하는 등의 방식을 사용한다.

#:- 그러나 너무 많은 범주가 있는 경우엔 잘 먹히지 않는 전략이다. 범주가 15개가 넘는다면 권장되지 않는다.<ref>https://www.kaggle.com/alexisbcook/categorical-variables</ref>

#:- 15개 이상의 항목을 가진 경우, 순서부여하기로 처리하고 이 둘을 합치는 전략도 있다.- 너무 많은 열이 만들어지면 데이터 자체가 너무 커진다.

#:- 그러나 너무 많은 범주가 있는 경우엔 오히려 정확도가 떨어지는 전략이다. 범주가 15개가 넘는다면 권장되지 않는다.<ref>https://www.kaggle.com/alexisbcook/categorical-variables</ref>

#:- 15개 이상의 항목을 가진 경우, 순서부여하기로 처리하고 이 둘을 합치는 전략도 있다.

= 방법 =

= 방법 =

== One-Hot Encoding ==

== One-Hot Encoding ==

특정 데이터에서 텍스트를 포함한 열을 구분해낸다.<syntaxhighlight lang="python">

원 핫 인코딩. 특정 데이터에서 텍스트를 포함한 열을 구분해낸다. 레이블을 범주형으로 인코딩하기. 분류모델에서 레이블을 독립적인 벡터형으로 만들기 위한 기능.<syntaxhighlight lang="python">

# df를 사용한다.

# df를 사용한다.

OH_X_valid = pd.concat([num_X_valid, OH_cols_valid], axis=1)

OH_X_valid = pd.concat([num_X_valid, OH_cols_valid], axis=1)

</syntaxhighlight>

</syntaxhighlight>

 

[[분류:Scikit-learn]]

[[분류:Scikit-learn]]