Istilah dimensi adalah sinonim untuk jumlah elemen dalam vektor fitur. Beberapa fitur kategorikal memiliki dimensi rendah. Contoh:
Nama fitur | # kategori | Kategori sampel |
---|---|---|
snowed_today | 2 | Benar, Salah |
skill_level | 3 | Pemula, Praktisi, Pakar |
season | 4 | Musim Dingin, Musim Semi, Musim Panas, Musim Gugur |
day_of_week | 7 | Senin, Selasa, Rabu |
planet | 8 | Merkurius, Venus, Bumi |
Jika fitur kategorikal memiliki sedikit kemungkinan kategori, Anda dapat mengenkodenya sebagai kosakata. Dengan encoding kosakata, model akan memperlakukan setiap nilai kategorik yang mungkin sebagai fitur terpisah. Selama pelatihan, mempelajari bobot yang berbeda untuk setiap kategori.
Misalnya, Anda membuat model untuk memprediksi harga mobil,
sebagian, pada fitur kategoris yang bernama car_color
.
Mungkin mobil merah bernilai lebih dari sekadar mobil hijau.
Karena produsen menawarkan jumlah warna eksterior yang terbatas, car_color
fitur kategorikal berdimensi rendah.
Ilustrasi berikut menyarankan kosakata (nilai yang mungkin) untuk
car_color
:
Latihan: Periksa intuisi Anda
"Red"
bukan bilangan floating point. Anda
harus mengonversi string seperti "Red"
menjadi angka floating point.
Nomor indeks
Model machine learning hanya dapat memanipulasi bilangan floating point. Oleh karena itu, Anda harus mengonversi setiap string menjadi nomor indeks yang unik, seperti pada ilustrasi berikut:
Periksa intuisi Anda
"Black"
(nomor indeks 5) menjadi 5 kali lebih bermakna
pada model daripada "Orange"
(nomor indeks 1).
"Black"
(nomor indeks 5) sebagai
5 kali lebih bermakna bagi model dibandingkan "Orange"
(indeks nomor 1).
Enkode one-hot
Langkah berikutnya dalam membangun kosakata adalah mengonversi setiap nomor indeks menjadi enkode one-hot-nya. Dalam encoding one-hot:
- Setiap kategori diwakili oleh vektor (array) elemen N, dengan N
adalah jumlah kategori. Misalnya, jika
car_color
memiliki delapan kemungkinan kategori, maka vektor one-hot yang merepresentasikan akan memiliki delapan elemen. - Tepat salah satu elemen dalam vektor one-hot memiliki nilai 1,0; semua elemen yang tersisa memiliki nilai 0.0.
Misalnya, tabel berikut menunjukkan encoding one-hot untuk masing-masing
car_color
:
Fitur | Merah | Orange | Biru | Kuning | Hijau | Hitam | Ungu | Cokelat |
---|---|---|---|---|---|---|---|---|
"Merah" | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
"Oranye" | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
"Biru" | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
"Kuning" | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
"Hijau" | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
"Hitam" | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
"Ungu" | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
"Cokelat" | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Ini adalah vektor one-hot, bukan string atau nomor indeks, yang diteruskan ke vektor fitur. Model mempelajari bobot terpisah untuk setiap elemen vektor fitur.
Ilustrasi berikut menunjukkan berbagai transformasi dalam representasi kosakata:
Representasi renggang
Fitur yang nilainya sebagian besar nol (atau kosong) disebut sebagai
fitur renggang. Banyak
fitur kategorik, seperti car_color
, cenderung merupakan fitur yang jarang.
Representasi renggang
berarti menyimpan posisi kelas 1.0
dalam vektor renggang. Misalnya, vektor one-hot untuk "Blue"
adalah:
[0, 0, 1, 0, 0, 0, 0, 0]
Karena 1
berada di posisi 2 (saat memulai hitungan dari 0), nilai
representasi sparse untuk vektor one-hot sebelumnya adalah:
2
Perhatikan bahwa representasi renggang memakai memori yang jauh lebih sedikit daripada vektor one-hot delapan elemen. Yang penting, model harus dilatih berdasarkan vektor one-hot, bukan representasi renggang.
Pencilan dalam data kategorik
Seperti data numerik, data kategoris juga berisi {i>outlier<i}. Misalkan
car_color
tidak hanya berisi warna-warna populer, tetapi juga beberapa warna yang jarang digunakan
warna pencilan, seperti "Mauve"
atau "Avocado"
.
Alih-alih memberikan masing-masing warna {i>outlier<i} ini kategori yang terpisah, Anda
dapat mengelompokkannya
menjadi satu "{i>catch-all<i}" kategori bernama kehabisan kosakata
(OOV). Dengan kata lain, semua warna {i>outlier<i}
digabungkan menjadi satu
bucket outlier. Sistem mempelajari satu bobot untuk bucket pencilan tersebut.
Mengenkode fitur kategorik berdimensi tinggi
Beberapa fitur kategorikal memiliki jumlah dimensi yang tinggi, seperti pesan dalam tabel berikut:
Nama fitur | # kategori | Kategori sampel |
---|---|---|
words_in_english | ~500.000 | "bahagia", "berjalan" |
US_postal_codes | ~42.000 | "02114", "90301" |
last_names_in_Germany | ~850.000 | "Schmidt", "Schneider" |
Ketika jumlah kategori tinggi, enkode one-hot biasanya merupakan pilihan yang buruk. Embedding, dijelaskan dalam Modul embedding, biasanya pilihan yang jauh lebih baik. Embedding secara substansial mengurangi jumlah dimensi kustom, yang menguntungkan model dalam dua cara penting:
- Model ini biasanya dilatih lebih cepat.
- Model yang dibuat biasanya menyimpulkan prediksi dengan lebih cepat. Yaitu, memiliki latensi yang lebih rendah.
Hashing (juga disebut hashing ) adalah cara yang kurang umum untuk mengurangi jumlah dimensi.