Ein ML-Ingenieur bereitet Eingaben für ein neuronales Netzwerk vor, um den Erfolg einer Werbekampagne vorherzusagen. Der Datensatz enthält das Farbschema der Anzeige als kategoriales Merkmal. Welche Feature-Engineering-Methode sollte der Ingenieur für diese kategorialen Farbdaten verwenden?

One-Hot-Encoding ist die beste Methode für kategoriale Farbdaten, da es eine numerische Darstellung ohne implizite Reihenfolge erstellt. Jede Farbkategorie wird zu einer neuen Spalte, die 0 oder 1 enthält, wodurch das neuronale Netzwerk die Farben als separate, gleichwertige Entitäten interpretieren kann. Label Encoding würde den Farben eine willkürliche Reihenfolge zuweisen, die das Modell fälschlicherweise als Rangfolge interpretieren könnte. Padding ist für Sequenzdaten relevant, nicht für einzelne kategoriale Merkmale. Dimensionsreduktion ist für hochdimensionale numerische Daten gedacht, nicht für die Umwandlung kategorialer Merkmale.