Ի՞նչ մեթոդներ կան կատեգորիական նշանների հետ աշխատելու համար։

Մեքենայական ուսուցման մեջ կատեգորიული նշանների հետ հիմնականում աշխատում են հետևյալ հիմնական մեթոդներով՝

1. Label Encoding (նշանների կոդավորում) — յուրաքանչյուր կատեգորիայի համար նշանակվում է յուրահատուկ թիվ։ Համապատասխանում է դասավորված կատեգորիաներին, բայց կարող է մոլորեցնել մոդելը, եթե կարգը բացակայում է։

2. One-Hot Encoding — ստեղծվում է բինար հատկություն յուրաքանչյուր կատեգորիայի համար։ Օրինակ, «Գույն» հատկությունը {կարմիր, կապույտ, կանաչ} փոխարկվում է երեք բինար հատկությունների։

3. Target Encoding (թիրախային կոդավորում) — կատեգորիաները փոխարինվում են նպատակային փոփոխականի վիճակագրությամբ (օրինակ, յուրաքանչյուր կատեգորիայի համար նպատակային փոփոխականի միջին արժեքը)։ Պահանջվում է զգուշություն՝ տվյալների արտահոսքը կանխելու համար։

4. Frequency Encoding (հաճախականության կոդավորում) — կատեգորիաները փոխարինվում են դրանց հանդիպման հաճախականությամբ։

5. Embeddings (վեկտորային ներկայացումներ) — մեծ թվով եզակի արժեքներ ունեցող կատեգորիաների համար (օրինակ, NLP-ում) օգտագործվում են վեկտորային ներկայացումներ, որոնք ուսուցանվում են միասին մոդելի հետ։

Ընտրությունը կախված է խնդրից, մոդելից և տվյալների ծավալից։ Օրինակ, որոշումների ծառերի համար հաճախ բավարար է Label կամ One-Hot Encoding, իսկ նեյրոնային ցանցերի համար՝ embeddings։

Python-ով One-Hot Encoding-ի օրինակ՝

import pandas as pd

df = pd.DataFrame({'Գույն': ['կարմիր', 'կապույտ', 'կանաչ', 'կապույտ']})
df_encoded = pd.get_dummies(df, columns=['Գույն'])
print(df_encoded)

Արդյունք՝

   Գույնկարմիր  Գույնկանաչ  Գույնկապույտ
0             1             0             0
1             0             0             1
2             0             1             0
3             0             0             1