Recetario de Aprendizaje Automático con Python, 2ª Edición

Capítulo 5. Manejo de datos categóricos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

5.0 Introducción

A menudo resulta útil medir los objetos no en función de su cantidad, sino de alguna cualidad. A menudo representamos la información cualitativa en categorías como sexo, colores o marca de coche. Sin embargo, no todos los datos categóricos son iguales. Los conjuntos de categorías sin orden intrínseco se denominan nominales. Algunos ejemplos de categorías nominales son

• Azul, Rojo, Verde

• Hombre, Mujer

• Plátano, Fresa, Manzana

En cambio, cuando un conjunto de categorías tiene alguna ordenación natural nos referimos a él como ordinal. Por ejemplo:

• Bajo, Medio, Alto

• Joven, viejo

• De acuerdo, Neutral, En desacuerdo

Además, la información categórica suele representarse en los datos como un vector o columna de cadenas (por ejemplo, "Maine", "Texas", "Delaware"). El problema es que la mayoría de los algoritmos de aprendizaje automático requieren que las entradas sean valores numéricos.

El algoritmo k-próximos más cercanos es un ejemplo de algoritmo que requiere datos numéricos. Un paso del algoritmo consiste en calcular las distancias entre las observaciones, a menudo utilizando la distancia euclídea :

$$\sqrt{{\sum }_{i=1}^n{(x_i-y_i)}^2}$$

donde $x$ y $y$ son dos observaciones y el subíndice $i$ denota el valor de las observaciones$i$de las observaciones. Sin embargo, el cálculo de la distancia es obviamente imposible ...