Bir ML mühendisi, reklam kampanyası başarısını tahmin etmek için bir sinir ağına girdi hazırlıyor. Veri seti, reklamın renk şemasını kategorik bir özellik olarak içeriyor. Mühendis, bu kategorik renk verileri için hangi özellik mühendisliği yöntemini kullanmalıdır?

Doğru cevap, renk kategorilerini one-hot encode etmektir. Sinir ağları, kategorik verileri doğrudan işleyemez; bu nedenle, bu verilerin sayısal bir formata dönüştürülmesi gerekir. One-hot encoding, her bir kategori için ikili (0 veya 1) bir sütun oluşturarak kategorik verileri temsil etmenin etkili bir yoludur. Bu yöntem, kategoriler arasındaki yapay sıralamayı önler ve ağın her bir rengi bağımsız bir özellik olarak tanımasını sağlar. Etiket kodlaması (label encoding) kullanmak, sinir ağının renkler arasında anlamsız bir sıralama olduğunu varsaymasına neden olabilir, bu da modelin performansını olumsuz etkileyebilir. Doldurma (padding) genellikle değişken uzunluktaki diziler için kullanılır ve burada uygun değildir. Boyut indirgeme, genellikle yüksek boyutlu sayısal veriler için kullanılır ve kategorik verilerin başlangıç dönüşümü için uygun bir adım değildir.