Ein Ingenieur findet mit SageMaker Data Wrangler ein kategoriales Text-Feature mit Tausenden von leicht unterschiedlichen Werten, die durch Rechtschreibfehler verursacht wurden. Welche Kodierungsmethode sollte verwendet werden, damit das verarbeitete Feature für die Klassifizierung genutzt werden kann?

Ähnlichkeitskodierung ist die beste Methode, da sie darauf ausgelegt ist, ähnliche, aber nicht identische kategoriale Werte zu gruppieren, was bei Rechtschreibfehlern entscheidend ist. Dies reduziert die hohe Kardinalität und ermöglicht es dem Modell, Muster zu erkennen, die sonst durch die vielen leicht unterschiedlichen Werte verborgen wären. Ordinale Kodierung ist ungeeignet, da sie eine Reihenfolge zwischen Kategorien impliziert, die hier nicht existiert. One-Hot-Kodierung würde bei Tausenden von einzigartigen Werten zu einer extrem breiten und spärlichen Feature-Matrix führen, was die Modellleistung beeinträchtigt. Zielkodierung ist nicht primär für die Behebung von Rechtschreibfehlern gedacht, sondern um Kategorien basierend auf der Zielvariablen zu kodieren, was hier nicht das Hauptproblem löst.