One Hot Encoding: простое объяснение и примеры

Кодирование с помощью "one hot encoding"

Кодирование с помощью "one hot encoding" является одним из наиболее популярных методов преобразования категориальных переменных в числовые, которые могут быть использованы в машинном обучении. Этот метод конвертирует каждую уникальную категорию в новый столбец, называемый "фиктивной переменной", и устанавливает значение 1 в этом столбце для каждой соответствующей категории, в противном случае значение будет 0.

Представим, у нас есть набор данных, содержащий информацию о фруктах с помощью категориального признака "тип фрукта". Мы имеем следующие возможные значения для этого признака: "яблоко", "банан", "груша", "апельсин" и "киви". Наша цель - преобразовать этот признак в числовой формат.

Процесс "one hot encoding" начинается с создания нового столбца для каждой уникальной категории. В нашем примере это будут пять новых столбцов: "яблоко", "банан", "груша", "апельсин" и "киви". Затем мы присваиваем значение 1 для каждого элемента, соответствующего его категории, и 0 для всех остальных элементов этой строки. В результате получаем набор новых столбцов, которые представляют информацию о категории "тип фрукта".

Пример кода на языке Python

В следующем примере кода на языке Python мы использовываем библиотеку pandas для выполнения "one hot encoding".

<code>
import pandas as pd

# Создание исходного набора данных
data = {'тип фрукта': ['яблоко', 'банан', 'груша', 'апельсин', 'киви']}
df = pd.DataFrame(data)

# Применение "one hot encoding" с помощью функции get_dummies
df_encoded = pd.get_dummies(df['тип фрукта'])

# Объединение закодированных столбцов с исходным набором данных
df_final = pd.concat([df, df_encoded], axis=1)

# Вывод результата
print(df_final)
</code>

В результате выполнения этого кода мы получим таблицу, где каждая категория "тип фрукта" представлена отдельным столбцом со значением 1 в соответствующих категориях и 0 во всех остальных.

Таким образом, "one hot encoding" позволяет эффективно представлять категориальные признаки в виде числовых данных, и этот метод широко применяется в машинном обучении для успешного анализа и предсказания данных.