Bir mühendis, SageMaker Data Wrangler'ı kullanarak, yazım hatalarından kaynaklanan binlerce hafif farklı değere sahip bir metin kategorik özelliği bulur. İşlenmiş özelliğin sınıflandırma için kullanılabilmesi için hangi kodlama yöntemi kullanılmalıdır?

SageMaker Data Wrangler'daki similarity encoding, yazım hataları veya küçük varyasyonlar nedeniyle binlerce hafif farklı değere sahip metin kategorik özelliklerini işlemek için idealdir. Bu yöntem, benzer yazılmış kategorileri gruplandırarak ve tek bir temsile dönüştürerek veri kalitesini artırır ve modelin bu varyasyonları tek bir anlamlı kategori olarak yorumlamasını sağlar. Ordinal encoding, kategoriler arasında doğal bir sıralama olduğunda kullanılır, ancak burada böyle bir sıralama yoktur. One-hot encoding, her farklı değeri ayrı bir sütuna dönüştürerek çok sayıda benzersiz değer olduğunda seyrek bir matris oluşturur ve model performansını düşürebilir. Target encoding ise kategorileri hedef değişkenin istatistikleriyle eşler, ancak yazım hatalarını düzeltmez.