Quais são as formas de trabalhar com variáveis categóricas?

As características categóricas em aprendizagem automática são trabalhadas principalmente de várias maneiras:

1. Codificação de Etiquetas (Label Encoding) — cada categoria recebe um número único. Adequado para categorias ordenadas, mas pode confundir o modelo se a ordem não existir.

2. Codificação One-Hot — cria-se uma característica binária para cada categoria. Por exemplo, a característica "Cor" com categorias {vermelho, azul, verde} é transformada em três características binárias.

3. Codificação de Alvo (Target Encoding) — as categorias são substituídas por estatísticas da variável alvo (por exemplo, a média da variável alvo para cada categoria). Requer cuidado para evitar vazamento de dados.

4. Codificação por Frequência — as categorias são substituídas pela frequência de ocorrência nos dados.

5. Embeddings — para categorias com um grande número de valores únicos (por exemplo, em NLP), utiliza-se representações vetoriais treinadas conjuntamente com o modelo.

A escolha do método depende da tarefa, do modelo e do volume de dados. Por exemplo, para árvores de decisão, geralmente basta Label ou One-Hot Encoding, enquanto para redes neurais — embeddings.

Exemplo de One-Hot Encoding em Python com pandas:

import pandas as pd

df = pd.DataFrame({'Cor': ['vermelho', 'azul', 'verde', 'azul']})
df_encoded = pd.get_dummies(df, columns=['Cor'])
print(df_encoded)

Resultado:

   Cor_vermelho  Cor_verde  Cor_azul
0             1           0          0
1             0           0          1
2             0           1          0
3             0           0          1