Jak provést binarizaci faktorů, například věku?

Binarizace faktorů je převod spojitých nebo kategorických znaků na binární (0/1) znaky. U věku se to často provádí rozdělením na intervaly (binning) a vytvořením binárních indikátorů pro každý interval.

Příklad přístupu:

1. Definujte věkové intervaly, například: 0-18, 19-35, 36-60, 60+.
2. Pro každý interval vytvořte binární znak, který je 1, pokud věk spadá do tohoto intervalu, jinak 0.

To umožňuje modelu zohlednit nelineární závislosti a zjednodušuje práci s kategorickými daty.

Příklad v Pythonu s pandas:

import pandas as pd

ages = pd.Series([15, 23, 37, 65])
bins = [0, 18, 35, 60, 120]
labels = ['0-18', '19-35', '36-60', '60+']
categories = pd.cut(ages, bins=bins, labels=labels)
dummies = pd.get_dummies(categories)
print(dummies)

Výsledek: binární sloupce pro každý věkový interval.

Také lze použít prahovou binarizaci, například vytvořit znak "starší 30 let" (0 nebo 1).

Volba metody závisí na úloze a modelu: některé modely lépe pracují s binárními proměnnými, jiné s kontinuálními.