Encodage des colonnes catégorielles II : OneHotEncoder

D'accord — vos colonnes catégorielles sont maintenant encodées numériquement. Pouvez-vous passer aux pipelines et à XGBoost? Pas tout de suite! Dans les colonnes catégorielles de cet ensemble de données, il n'existe aucun ordre naturel entre les valeurs. Par exemple : avec LabelEncoder, le Neighborhood CollgCr a été encodé en 5, tandis que Veenker a été encodé en 24, et Crawfor en 6. Est-ce que Veenker est « plus grand » que Crawfor et CollgCr? Non — et laisser le modèle supposer un tel ordre naturel peut nuire au rendement.

Il faut donc une étape supplémentaire : appliquer un encodage one-hot pour créer des variables binaires, ou « factices ». Vous pouvez le faire avec le OneHotEncoder de scikit-learn.

Cette activité fait partie du cours

Amorçage de gradient avancé avec XGBoost

Voir le cours

Instructions de l’exercice

Importez OneHotEncoder depuis sklearn.preprocessing.
Instanciez un objet OneHotEncoder nommé ohe. Indiquez l'argument nommé sparse=False.
À l'aide de sa méthode .fit_transform(), appliquez OneHotEncoder à df et enregistrez le résultat dans df_encoded. La sortie sera un tableau NumPy.
Affichez les 5 premières lignes de df_encoded, puis la forme de df ainsi que de df_encoded pour comparer la différence.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import OneHotEncoder
____

# Create OneHotEncoder: ohe
ohe = ____

# Apply OneHotEncoder to categorical columns - output is no longer a dataframe: df_encoded
df_encoded = ____

# Print first 5 rows of the resulting dataset - again, this will no longer be a pandas dataframe
print(df_encoded[:5, :])

# Print the shape of the original DataFrame
print(df.shape)

# Print the shape of the transformed array
print(df_encoded.shape)

Modifier et exécuter le code