Milyen problémák merülnek fel, amikor a hónap számát jellemzőként adjuk hozzá?

A hónap számának hozzáadása a gépi tanulási modellhez több problémát is okozhat:

1. Ciklikusság a jellemzőben: A hónap száma ciklikus jellemző (12 után 1 következik). Ha numerikus értékként 1-től 12-ig ábrázoljuk, a modell tévesen értelmezheti, hogy a 12 és az 1 nagyon különböznek egymástól, pedig valójában szomszédosak.

2. A távolságok helytelen észlelése: A modell lineárisnak értelmezheti a hónapok közötti különbséget, például úgy, hogy a 12. és az 1. hónap a legkülönbözőbb, ami nem felel meg a valóságnak.

3. Szezonális problémák: Ha a modell nem veszi figyelembe a ciklikusságot, nehezebben fogja felismerni a szezonális mintákat.

Ezek elkerülése érdekében általában a ciklikus jellemzők átalakítását alkalmazzák két komponensre a szinusz és a koszinusz segítségével:

import numpy as np
month = 1  # például hónap
month_sin = np.sin(2 * np.pi * month / 12)
month_cos = np.cos(2 * np.pi * month / 12)

Így a modell a hónapot egy körön lévő pontként látja, ami tükrözi a ciklikusságot és javítja a tanulás minőségét.