Kódování štítků

Label encoding je forma předběžného zpracování dat používaná při dolování dat a strojovém učení. Jde o proces transformace nečíselných štítků na číselné hodnoty. Proces je také známý jako převod kategorických dat na číselná data a je užitečný pro širokou škálu úloh manipulace s daty, jako je klasifikace a shlukování. Může být také použit ke standardizaci dat pro použití v umělých neuronových sítích.

Kódování štítků se často používá při kódování kategorických vstupních proměnných k vytvoření číselného výstupu. To se provádí přiřazením každé kategorie ze vstupní proměnné vlastní celočíselné označení. Postup kódování jde od nejnižšího číselného označení k nejvyššímu číselnému označení, přičemž nejnižší označení představuje nejčastější nebo základní kategorii. Velikost číselného označení neodráží kvalitativní srovnání mezi různými kategoriemi, ale čistě kóduje kategoriální informaci do číselné hodnoty. To je důvod, proč mnoho praktiků považuje kódování štítků za formu kódování s minimálním dopadem na ztrátu.

Kódování štítků může také zlepšit celkový výkon za běhu pomocí mnoha algoritmů ve srovnání s kódováním „one-hot“. Vzhledem k tomu, že pro sloupec dat s jednou šířkou je méně hodnot záhlaví, je kódování štítků rychlejší a méně náročné na paměť než kódování s jednou šířkou. Kromě toho některé algoritmy nemusí poskytovat příznivé výsledky, když je použito jednorázové kódování, zatímco kódování štítků umožňuje, aby algoritmus zůstal nedotčen a používal štítky k reprezentaci kategorií.

Kódování štítků je nezbytnou součástí každého datově řízeného programovacího projektu, který vyžaduje strojové učení i optimalizaci výkonu. Je také užitečné pro ty, kteří chtějí analyzovat kategorická data způsobem, který zohledňuje jejich relativní četnost.