Travailler avec des données catégorielles

Les données catégorielles ont un ensemble spécifique de valeurs possibles. Exemple :

• Différentes espèces animales dans un parc national
• Noms de rues d'une ville spécifique
• Indique si l'e-mail est un spam ou non
• Couleurs des façades
• Nombres regroupés, décrits dans le module Utiliser des données numériques

Les nombres peuvent également être des données catégorielles

Les données numériques véritables peuvent être multipliées de manière significative. Prenons l'exemple qui prédit la valeur d'un logement en fonction de sa superficie. Notez qu'un modèle utile pour évaluer le prix des maisons repose généralement sur des centaines de fonctionnalités. Cela dit, toutes choses égales par ailleurs, une maison de 200 m² devrait être environ deux fois plus chère qu'une maison identique de 100 m².

Souvent, vous devez représenter les caractéristiques contenant des valeurs entières sous la forme des données catégorielles au lieu de données numériques. Prenons l'exemple d'un code postal caractéristique de code dont les valeurs sont des entiers. Si vous représentez des caractéristiques numériques plutôt que catégorielles, vous demandez au modèle pour trouver une relation numérique entre différents codes postaux. Autrement dit, vous indiquez au modèle de traiter le code postal 20004 comme un signal deux fois (ou moitié) plus important que le code postal 10002. Représenter les codes postaux en tant que données catégorielles permet au modèle pondérer chaque code postal séparément.

Encodage

L'encodage consiste à convertir des données catégorielles ou d'autres données en vecteurs numériques sur lesquels un modèle peut s'entraîner. Cette conversion est nécessaire, car les modèles l'entraînement sur des valeurs à virgule flottante uniquement. ne peuvent pas être entraînés sur des chaînes "dog" ou "maple". Ce module explique les différentes méthodes d'encodage pour les données catégorielles.