Milyen módszerek léteznek a kategorikus jellemzőkkel való munkához?

A gépi tanulásban a kategorikus jellemzőkkel több fő módszerrel dolgoznak:

1. Címke kódolás (Label Encoding) — minden kategóriának egyedi számot rendelnek. Alkalmas rendezett kategóriákhoz, de félrevezető lehet a modell számára, ha nincs sorrend.

2. One-Hot kódolás — minden kategóriához bináris jellemzőt hoznak létre. Például a "Szín" jellemző {piros, kék, zöld} három bináris jellemzővé alakul.

3. Célkódolás (Target Encoding) — a kategóriákat a célváltozó statisztikáival helyettesítik (pl. átlagérték minden kategóriára). Óvatosan kell alkalmazni, hogy elkerüljük az adat szivárgását.

4. Frekvencia kódolás — a kategóriákat azok előfordulási gyakoriságával helyettesítik.

5. Embeddingek — nagy számú egyedi érték esetén (pl. NLP-ben) vektoralapú reprezentációkat használnak, amelyeket a modell tanít meg.

A módszer kiválasztása a feladattól, a modelltől és az adatmennyiségtől függ. Például döntési fákhoz gyakran elegendő a Label vagy One-Hot kódolás, míg neurális hálózatokhoz — embeddingek.

Példa One-Hot kódolásra Pythonban pandas-szal:

import pandas as pd

df = pd.DataFrame({'Szín': ['piros', 'kék', 'zöld', 'kék']})
df_encoded = pd.get_dummies(df, columns=['Szín'])
print(df_encoded)

Eredmény:

   Szín_piros  Szín_zöld  Szín_kék
0            1           0          0
1            0           0          1
2            0           1          0
3            0           0          1