在机器学习（ML）模型中，我们经常需要将分类即文本特征转换为其数字表示。最常用的两种方法是使用Label Encoder或OneHot Encoder。然而，大多数机器学习（ML）新手不熟悉编码选择对其机器学习模型的影响，通过在正确的场景中使用正确的编码，机器学习模型的准确性可能会大幅度地改变。

本文我们将了解Label和OneHot编码器的工作原理，了解如何在python中使用这些编码器，看看它们对预测的影响

Label Encoder：

使用Sklearn Library可以实现Python中的Label Encoder。Sklearn提供了一种非常有效的工具，用于将分类特征的级别编码为数值。LabelEncoder编码值介于0和n_classes-1之间的标签，其中n是不同标签的数量。如果标签重复，它将指定与先前分配的值相同的值。

考虑下面的例子：

如果我们必须将此数据传递给机器学习模型，我们需要使用Label Encoder将Country列编码为其数字表示。应用Label Encoder后，我们将得到如下所示的结果

分类值已转换为数值

这就是所有的标签编码。但是根据数据，标签编码引入了一个新问题。例如，我们将一组国家/地区名称编码为数字数据。这实际上是分类数据，行之间没有任何关系。

这里的问题是因为同一列中有不同的数字，模型会误解数据的某种顺序，0 <1 <2。

这样机器学习模型可能会产生一种相关性，比如随着国家数量的增加，人口数量的增加，但这显然不是其他数据或预测集中的情形。为了克服这个问题，我们使用了One Hot Encoder。

One Hot Encoder：

现在，正如我们已经讨论的那样，根据我们所拥有的数据，我们可能遇到这样的情况：在Label Encoder之后，我们可能会混淆我们的机器学习模型，认为列具有某种顺序或层次结构的数据。为避免这种情况，我们将使用'OneHotEncode'。

OneHotEncode的作用是，它需要一个具有分类数据的列，该列已经过Label Encoder，然后将该列拆分为多个列。数字由1和0替换，具体取决于哪个列具有什么值。在我们的例子中，我们将获得四个新列，每个国家一个 -Japan, U.S, India和China。

对于第一列值为Japan的行，“Japan”列将为“1”，其他三列将为“0”。同样，对于第一列值为US的行，“U.s”列将为“1”，其他三列将为“0”，依此类推。

OneHotEncode的国家/地区值

Python的实际例子说明了使用Label和OneHotEncode对预测的影响

我们将使用汽车数据集（您可以从此处下载数据集https://www.kaggle.com/toramky/automobile-dataset）根据各种特征来预测汽车价格。用于本文的数据只是一个样本数据，但通过均方根误差评估预测结果可以清楚地看到预测结果的差异，机器学习模型预测的rmse越接近0。

我们将运行xgboost回归算法模型（您可以使用您选择的任何回归算法）并使用Label Encoder预测价格，然后使用One Hot Encoder并比较结果。

代码片段：

import pandas as pd
import numpy as np
import xgboost
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from math import sqrt
from sklearn.metrics import mean_squared_error
data = pd.read_csv('D://Blogs//insurance.csv')
testdata = pd.read_csv('D://Blogs//insuranceTest.csv')
mergedata = data.append(testdata)
testcount = len(testdata)
count = len(mergedata)-testcount
X_cat = mergedata.copy()
X_cat = mergedata.select_dtypes(include=['object'])
X_enc = X_cat.copy()
#ONEHOT ENCODING BLOCK
#X_enc = pd.get_dummies(X_enc, columns=['sex','region','smoker'])
#mergedata = mergedata.drop(['sex','region','smoker'],axis=1)
#END ENCODING BLOCK
# =============================================================================
# #LABEL ENCODING BLOCK
# 
X_enc = X_enc.apply(LabelEncoder().fit_transform) #
mergedata = mergedata.drop(X_cat.columns, axis=1)
# #END LABEL ENCODING BLOCK
# 
# =============================================================================
FinalData = pd.concat([mergedata,X_enc], axis=1)
train = FinalData[:count]
test = FinalData[count:]
trainy = train['charges'].astype('int')
trainx = train.drop(['charges'], axis=1)
test = test.drop(['charges'], axis=1)
X_train,X_test, y_train,y_test = train_test_split(trainx, trainy, test_size=0.3)
clf = xgboost.XGBRegressor()
clf.fit(X_train,y_train)
y_testpred= clf.predict(X_test)
y_pred = clf.predict(test)
dftestpred = pd.DataFrame(y_testpred)
dfpred = pd.DataFrame(y_pred)
rms = sqrt(mean_squared_error(y_test, y_testpred))
print("RMSE:", rms)

RMSE输出：RMSE：4931.632574106283

现在让我们从代码片段中取消对One Hot encoder块的注释，而注释Label Encoder块查看RMSE

import pandas as pd
import numpy as np
import xgboost
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn.preprocessing import LabelEncoder
from math import sqrt
from sklearn.metrics import mean_squared_error
data = pd.read_csv('D://Blogs//insurance.csv')
testdata = pd.read_csv('D://Blogs//insuranceTest.csv')
mergedata = data.append(testdata)
testcount = len(testdata)
count = len(mergedata)-testcount
X_cat = mergedata.copy()
X_cat = mergedata.select_dtypes(include=['object'])
X_enc = X_cat.copy()
#ONEHOT ENCODING BLOCK
X_enc = pd.get_dummies(X_enc, columns=['sex','region','smoker'])
mergedata = mergedata.drop(['sex','region','smoker'],axis=1)
#END ENCODING BLOCK
# =============================================================================
# #LABEL ENCODING BLOCK
# 
#X_enc = X_enc.apply(LabelEncoder().fit_transform) #
#mergedata = mergedata.drop(X_cat.columns, axis=1)
# #END LABEL ENCODING BLOCK
# 
# =============================================================================
FinalData = pd.concat([mergedata,X_enc], axis=1)
train = FinalData[:count]
test = FinalData[count:]
trainy = train['charges'].astype('int')
trainx = train.drop(['charges'], axis=1)
test = test.drop(['charges'], axis=1)
X_train,X_test, y_train,y_test = train_test_split(trainx, trainy, test_size=0.3)
clf = xgboost.XGBRegressor()
clf.fit(X_train,y_train)
y_testpred= clf.predict(X_test)
y_pred = clf.predict(test)
dftestpred = pd.DataFrame(y_testpred)
dfpred = pd.DataFrame(y_pred)
rms = sqrt(mean_squared_error(y_test, y_testpred))
print("RMSE:", rms)

RMSE输出：RMSE：4793.667005276121

One Hot Encoder 的RMSE小于 Label Encoder，这意味着使用One Hot Encoder 提供了更好的准确性，因为我们知道更接近RMSE到0更好的精度，再次不用担心如此大的RMSE，因为我说这只是一个示例数据帮助我们了解Label和OneHot编码器对我们模型的影响。