Bir ML mühendisi, abonelikten ayrılmayı tahmin etmek için bir lojistik regresyon modeli eğitiyor. Veri seti iki kategorik dize özelliği içeriyor: konum (3 farklı kategori) ve job_seniority_level (10'dan fazla farklı kategori). Bu özellikler model için nasıl ön işlenmelidir?

Doğru cevap, kategorik verilerin işlenmesi için uygun yöntemleri kullanır. 'Konum' özelliği nominal kategorik olduğundan (kategoriler arasında doğal bir sıralama yok), one-hot encoding her kategori için yeni bir ikili özellik oluşturarak modelin bu bilgiyi anlamasını sağlar. 'jobsenioritylevel' özelliği ise sıralı kategorik olabilir (örneğin, 'junior' < 'mid' < 'senior' gibi bir sıralama varsa). Bu durumda, sıralı kodlama (ordinal encoding) bu doğal sıralamayı koruyarak her kategoriye bir sayısal değer atar. Tokenizasyon genellikle metin verileri için kullanılır, gruplandırma (binning) sayısal veriler için kullanılır ve standart ölçeklendirme de sayısal verilerin dağılımını normalleştirmek için kullanılır, bu nedenle bu seçenekler kategorik özellikler için uygun değildir.