Funkcje kodowania, takie jak miesiąc i godzina, jako kategoryczne lub numeryczne?

Czy lepiej jest kodować funkcje takie jak miesiąc i godzina jako czynnik lub wartość liczbowa w modelu uczenia maszynowego?

Z jednej strony uważam, że kodowanie numeryczne może być rozsądne, ponieważ czas jest procesem postępowym (po piątym miesiącu następuje szósty miesiąc), ale z drugiej strony uważam, że kodowanie kategoryczne może być bardziej rozsądne z uwagi na cykliczność lat i dni (po 12 miesiącu następuje pierwszy).

Czy istnieje ogólne rozwiązanie lub konwencja?

Czy rozważałeś dodanie transformacji (sinus, cosinus) zmiennej pory dnia? Zapewni to, że na przykład 0 i 23 godziny są blisko siebie, umożliwiając w ten sposób cykliczny charakter zmiennej.

( Więcej informacji )

Odpowiedź zależy od rodzaju relacji, które chcesz reprezentować między funkcją czasu a zmienną docelową.

Jeśli kodujesz czas jako wartość liczbową, wówczas nakładasz pewne ograniczenia na model. W przypadku modelu regresji liniowej wpływ czasu jest teraz monotoniczny, albo cel wzrośnie lub zmniejszy się z czasem. W przypadku drzew decyzyjnych wartości czasu blisko siebie zostaną zgrupowane.

Czas kodowania jako kategoryczny daje modelowi większą elastyczność, ale w niektórych przypadkach model może nie mieć wystarczającej ilości danych, aby dobrze się uczyć. Jedną z technik, która może być przydatna, jest grupowanie wartości czasu w pewną liczbę zestawów i użycie zestawu jako atrybutu kategorycznego.

Niektóre przykładowe grupy:

• Na miesiąc pogrupuj w kwartały lub pory roku, w zależności od przypadku użycia. Np .: styczeń-marzec, kwiecień-czerwiec itp.
• W przypadku godziny pogrupuj w przedziały czasu: rano, wieczorem itp.
• Na dzień tygodnia grupuj w dzień powszedni, weekend.

Każde z powyższych można również zastosować bezpośrednio jako atrybut kategoryczny, biorąc pod uwagę wystarczającą ilość danych. Co więcej, grupy można również odkryć poprzez analizę danych, aby uzupełnić podejście oparte na wiedzy w dziedzinie.

Polecam korzystanie z funkcji numerycznych. Korzystanie z funkcji kategorialnych zasadniczo oznacza, że ​​nie uznajesz odległości między dwiema kategoriami za istotne (np. Kategoria 1 jest tak bliska kategorii 2, jak kategorii 3). Z pewnością nie dzieje się tak przez kilka godzin lub miesięcy.

Jednak podnoszona przez ciebie kwestia polega na tym, że chcesz reprezentować godziny i miesiące w sposób, w którym 12 jest tak bliskie 11, jak to jest 1. Aby to osiągnąć, zalecam postępować zgodnie z sugestiami i używać funkcja sinus / cosinus przed użyciem godzin / miesięcy jako funkcji numerycznych.

To zależy od używanego algorytmu.

Jeśli używasz algorytmów opartych na drzewach, takich jak losowy las, po prostu przekaż to pytanie. Kodowanie kategoryczne nie jest konieczne w przypadku algorytmów opartych na drzewach.

W przypadku innych algorytmów, takich jak sieć neuronowa, sugeruję wypróbowanie obu metod (ciągłej i kategorycznej). Efekt różni się w zależności od sytuacji.

Ponieważ wszystkie dane, które posiadasz, są dobrze zdefiniowane, sugeruję kodowanie kategoryczne, które jest również łatwiejsze do zastosowania.

Przeformułować odpowiedź udzieloną przez @raghu . Jedną z głównych różnic między kategorycznymi i liczbowymi cechami jest to, czy wielkość liczb jest porównywalna, tj. Czy 2019 jest większy niż 2018, czy też grudzień (12) większy niż marzec (3)? Nie całkiem. Chociaż w tych liczbach występuje sekwencja, ich wielkość nie jest porównywalna. Dlatego przekształcenie w wartość kategoryczną może mieć większy sens.