Kuidas teha faktorite binariseerimine, näiteks vanus?

Faktorite binariseerimine tähendab pidevate või kategorialsete tunnuste muutmist binaarseteks (0/1) tunnusteks. Näiteks vanuse puhul tehakse seda sageli intervallideks jaotamise (binning) ning iga intervalli jaoks binaarsete indikaatorite loomise teel.

Lähteidee:

1. Määrake vanuseintervallid, näiteks: 0-18, 19-35, 36-60, 60+.
2. Iga intervalli jaoks looge binaarne tunnus, mis on 1, kui vanus kuulub sellesse intervalli, vastasel juhul 0.

See võimaldab mudelil arvestada mitte-lineaarseid sõltuvusi ning lihtsustab kategorialt andmetöötlust.

Näide Pythonis pandas raamatukoguga:

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)

Tulemus: binaarsed veerud iga vanuseintervalli jaoks.

Samuti saab kasutada lävendi binariseerimist, näiteks luues tunnuse "vanem kui 30 aastat" (0 või 1).

Meetodi valik sõltub ülesandest ja mudelist: mõned mudelid töötavad paremini binaarsete muutujatega, teised – pidevatega.