Tiene un conjunto de datos con un campo categórico Day_Of_Week y necesita convertirlo en variables indicadoras binarias para su uso por un modelo de machine learning. ¿Qué técnica debería usar?

La codificación "one-hot" es la técnica correcta porque transforma variables categóricas nominales (como los días de la semana) en un formato numérico que los algoritmos de machine learning pueden procesar. Crea nuevas columnas binarias (0 o 1) para cada categoría única. Por ejemplo, "Lunes" se convertiría en [1,0,0,0,0,0,0], "Martes" en [0,1,0,0,0,0,0], y así sucesivamente. La binarización es incorrecta porque convierte características numéricas en binarias (0 o 1) basándose en un umbral, no es adecuada para variables categóricas con múltiples estados. La tokenización es incorrecta porque se usa principalmente en el procesamiento de lenguaje natural para dividir texto en unidades más pequeñas (tokens). La normalización de transformación es incorrecta porque ajusta la escala de las características numéricas para que tengan un rango o distribución similar, no convierte categorías.