라벨 인코딩 vs 원핫 인코딩

📌 Label Encoding

: 범주형 변수를 0부터 N-1까지의 숫자로 변환합니다.

 

문제점 : 예를 들어, 변수 간의 관계가 없는 경우, 인코딩 된 숫자가 변수 간의 관계를 표현하며, 모델이 이러한 쓸모없는 관계를 이해하려고 시도할 수 있습니다. 그리고 변수의 값이 크거나 작은 경우, 변수의 중요도가 부작용을 일으킬 수 있습니다.

 

예제 코드:

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
encoded_labels = le.fit_transform(['good', 'good', 'bad', 'average'])

 

 

📌 One-hot Encoding

범주형 변수를 이진 벡터로 변환합니다. 이진 벡터는 한 가지 확실한 답을 가지며, 모델이 이러한 벡터의 의미를 이해하기 쉬우므로 일반적으로 Label Encoding보다 더 좋은 선택입니다.

 

예제코드:

import pandas as pd

df = pd.DataFrame({'label': ['good', 'good', 'bad', 'average']})
one_hot_df = pd.get_dummies(df)

 

 

"df" dataframe의 지정 컬럼 'a', 'b', 'c'을 원핫인코딩 :

pd.get_dummies(data=df, columns=['a', 'b', 'c'], drop_first=True)

data : 배열 유사, Series 또는 DataFrame

더미 지표를 얻을 데이터

drop_first 부울, 기본값 False

첫 번째 수준을 제거하여 k 범주 수준에서 k-1 더미를 가져올지 여부

 

 

 

모델링할 때 Numpy 배열에는 to_categorical을 사용할 수 있습니다.

from tensorflow.keras.utils import to_categorical

class_n = len(np.unique(y_train))
y_train = to_categorical(y_train, class_n)
y_test = to_categorical(y_test, class_n)