Kódování dat

Kódování kategorických dat je nezbytné pro jejich využití v algoritmech strojového učení. R kóduje faktory interně, ale pro vývoj vlastních modelů je nutné kódování provést ručně.

V tomto cvičení nejprve sestavíš lineární model pomocí lm() a pak si krok za krokem vytvoříš vlastní model.

Při one hot encoding se pro každou úroveň vytvoří samostatný sloupec.

Všimni si, že jeden ze sloupců lze odvodit z ostatních (například samé 0 ve sloupcích „B" a „C" implikují hodnotu 1 ve sloupci „A"). Pro lineární regresi proto můžeš první sloupec vynechat. Lineárním modelům se podrobněji budeme věnovat v další kapitole.

Pro one hot encoding můžeš použít funkci dummyVars() z balíčku caret.

Postup: nejprve vytvoř enkodér a pak transformuj datovou sadu:

encoder <- dummyVars(~ category, data = df)
predict(encoder, newdata = df)

Kompletní záznamy z datové sady průzkumu z balíčku MASS jsou dostupné jako survey. Balíček caret je předem načten.