Cómo convertir datos categóricos a datos continuos

Creo que, en general, la mayoría de los datos categóricos son difíciles de convertir, pero no diría con certeza que no se pueden convertir datos categóricos en datos no categóricos (pero probablemente no sean continuos porque eso implica cierto nivel de precisión). Es posible que pueda crear un equivalente discreto.

Como dijo Naman, puede convertir algunas cosas como el género (si solo lo considera binario) o sí / no. Pero en algunos otros casos, podría convertir datos categóricos más allá de los conjuntos logísticos / binarios.

Es posible que pueda convertir algunos valores de sonido en valores numéricos para decibelios en función de lo que se considera alto, medio o suave para los oídos humanos según algún tipo de estándar.

Si hablabas de colores y sabías cuán intenso era tu rojo, azul anaranjado, podrías usar RGB, HSL o incluso la longitud de onda. Si tuviera la capacidad de comparar los colores con un color de pantalla, podría crear tres variables de una categoría: R, G y B; o los componentes H, S, L.

No tantos tipos de datos se convierten fácilmente, y dependiendo del por qué y para qué puede no ser apropiado, pero hay muchas maneras en que podría ser posible.

La advertencia es que puede no alterar los resultados en muchos casos. Por ejemplo, si todo lo alto se ingresó en el mismo número, digamos 18 (lo que debería ser si está siendo consistente en la conversión), entonces se convierte en una categoría en la que todo lo alto tiene el mismo impacto en el análisis, incluso si los datos son numéricos . Sin embargo, si estaba utilizando 5 o 6 medidas de decibelios en el modelo, pero midiendo continuamente en los datos reales que estaba tratando de predecir, debería poder trabajar con un rango más amplio.

Y encontrar una manera de asignar un número a algo hace posible ejecutar algunos análisis donde las variables categóricas basadas en caracteres no son posibles. Cualquier categoría podría convertirse en una asignación numérica que obligó a seguir siendo numérica, lo que realmente es una forma de utilizar datos categóricos por proxy.

También puede haber consecuencias éticas … algunas de si esto es razonable o no tiene que ver con el uso final del análisis, el escrutinio, la probabilidad de que esto se convierta en un problema después de la revisión … todos tenemos batallas para luchar de esta manera .

Si está haciendo esto para vender más widgets en línea y el modelo funciona mejor, dudo que a alguien le importe específicamente por qué (hasta que falle).

Si está tratando de hacer una inferencia sobre la enfermedad secundaria relacionada con la diabetes, es posible que le resulte más difícil vender el método.

Eche un vistazo al documento “La Bóveda de Datos Sintéticos: Modelado Generativo para Bases de Datos Relacionales”.

1. Ordene las categorías de más frecuentes a menos.
2. Divida el intervalo [0, 1] en secciones en función de la probabilidad acumulativa para cada categoría.
3. Para convertir una categoría, encuentre el intervalo [,] ∈ [0, 1] que corresponde a la categoría.
4. Elija el valor entre y mediante el muestreo de una distribución gaussiana truncada con en el centro del intervalo, y = (-) / 6.

Estoy de acuerdo con la respuesta de David. No hay forma de convertir una variable categórica en datos continuos. Sin embargo, lo que puede hacer es usar las variables ficticias (como 1 para mujeres y 0 para hombres) y luego usar la regresión logística o cualquier otro algoritmo de clasificación (como C4.5, SVM) que desee – 1) para predecir a qué clase pertenece una muestra 2) para generar probabilidades para cada muestra (como una muestra de probabilidad del 70% es una mujer, una probabilidad del 30% es un hombre)

No es posible pasar de un conjunto de características nominales a algo numérico.

Cuando tenga información adicional, puede usarla. Nominal podría ser el tipo de automóvil y puede interesarle el consumo de combustible …

Si tiene una variable ordinal, puede suponer que esta variable es el resultado de una discretización de alguna variable gaussiana latente subyacente. Esto se hace comúnmente en psicometría.

¿Por qué querrías hacer eso de todos modos? Si tiene algún orden inherente en las categorías, tiene sentido (detractor, pasivo, promotor), pero la mayoría de las veces no (vaca, gato, perro) …

podrías echar un vistazo a GLM, modelos lineales generalizados en regresión logística o logística, creo que obtienes algo de continuidad … No recuerdo, ¿puedes dar algunas pistas, gracias