カテゴリデータ

現実のデータセットの特徴量およびクラスラベルには、数値だけでなくカテゴリ値がしばしば含まれる。
機会的に扱うには、特徴量は数値であることが望ましい。

サンプル番号	クラスラベル	サイズ	色	価格
1	A	S	blue	100
2	B	S	red	200
3	C	M	green	300
4	C	L	red	400
5	B	M	red	500

• 順序特徴量: S < M < L のように順序付けが可能なカテゴリ値
• 名義特徴量: blue, red, green のように順序付けができないカテゴリ値

クラスラベルのエンコーディング

適当に A = 1, B = 2, C = 3 などと置き換える。
ラベルを区別さえできれば良く、数値の大小に意味はない。

サンプル番号	クラスラベル	サイズ	色	価格
1	1	S	blue	100
2	2	S	red	200
3	3	M	green	300
4	3	L	red	400
5	2	M	red	500

順序特徴量のマッピング

S = 1, M = 2, L = 3 のように順序を守って置き換えれば良い。

サンプル番号	クラスラベル	サイズ	色	価格
1	1	1	blue	100
2	2	1	red	200
3	3	2	green	300
4	3	3	red	400
5	2	2	red	500

名義特徴量のエンコーディング

クラスラベルと同様に、適当に blue = 1, red = 2, green = 3 などと置き換えるのはダメ。
実際には blue, red, green は等価であるにも関わらず、学習において「blue < red < green」という大小関係を前提としてモデルを学習してしまう。

→ one-hot エンコーディング：特徴量のユニークな値1つごとに ダミー特徴量 を作り、その値を取るときに1、取らないときに0を付与

サンプル番号	クラスラベル	サイズ	色-blue	色-red	色-green	価格
1	1	1	1	0	0	100
2	2	1	0	1	0	200
3	3	2	0	0	1	300
4	3	3	0	1	0	400
5	2	2	0	1	0	500