Utilização direta do OneHotEncoder sem a utilização do labelencoder

Home Fóruns Fórum Deep Learning com Python de A a Z: O Curso Completo Utilização direta do OneHotEncoder sem a utilização do labelencoder

Visualizando 2 posts - 1 até 2 (de 2 do total)
  • Autor
    Posts
  • #36478
    Marcelo Polverari
    Participante

    Bom dia!

    Estou na Parte 1, aulas de Regressão, utilizando a base de dados de carros usados e me deparei com o seguinte problema:

    Durante a vídeo aula, os seguintes códigos são escritos:

    previsores[:, 0] = labelencoder_previsores.fit_transform(previsores[:, 0])
    previsores[:, 1] = labelencoder_previsores.fit_transform(previsores[:, 1])
    previsores[:, 3] = labelencoder_previsores.fit_transform(previsores[:, 3])
    previsores[:, 5] = labelencoder_previsores.fit_transform(previsores[:, 5])
    previsores[:, 8] = labelencoder_previsores.fit_transform(previsores[:, 8])
    previsores[:, 9] = labelencoder_previsores.fit_transform(previsores[:, 9])
    previsores[:, 10] = labelencoder_previsores.fit_transform(previsores[:, 10])

     

    Após isso, há a orientação para a utilização do comando:

     

    onehotencoder = OneHotEncoder(categorical_features=[0,1,3,5,8,9,10])

     

    Entretanto, o próprio SPIDER dá o seguinte erro:

     

    TypeError: OneHotEncoder.__init__() got an unexpected keyword argument 'categorical_features'

     

    Achei estranho porque realmente “categorical_features” não aparece no recurso de auto completamento, então dei uma procurada na internet e parece que atualmente esse comando não está disponível dentro da biblioteca do OneHotEncoder e eu resolvi o problema utilizando apenas o OneHotEncoder sem a utilização do labelencoder.

     

    Eu removi o código anterior e utilizei apenas o seguinte:

    from sklearn.preprocessing import OneHotEncoder
    from sklearn.compose import make_column_transformer
    A = make_column_transformer(
    (OneHotEncoder(categories='auto'), [0,1,3,5,8,9,10]), 
    remainder="passthrough")
    
    previsores=A.fit_transform(previsores).toarray()

     

    O problema foi resolvido, mas estou deixando apenas esse Feedback aqui caso mais alguém passe pelo mesmo ou caso a aula venha a ser atualizada no futuro, ou feita alguma anotação durante o vídeo! (Talvez eu esteja enganado e o comando antigo ainda funcione de alguma forma, mas aqui infelizmente não deu)

    #36484

    Olá Marcelo, após a gravação das aulas, essa biblioteca passou por uma atualização. Na seção de downloads, você pode conferir o código fonte atualizado.

    Obrigado pelo feedback 😉

    Fabio

Visualizando 2 posts - 1 até 2 (de 2 do total)
  • Você deve fazer login para responder a este tópico.