月と時間などの機能をカテゴリまたは数値としてエンコードしますか？

機械学習モデルで、月や時間などの機能を係数または数値としてエンコードする方が良いでしょうか？

一方で、時間は順方向に進行するプロセスであるため（5か月後に6か月が経過するため）、数値エンコードは合理的であると感じますが、一方で、周期的性質のためにカテゴリーエンコードがより合理的であると思います年と日（12番目の月の後に最初の月が続きます）。

これに一般的な解決策や慣習はありますか？

時刻変数の（サイン、コサイン）変換を追加することを検討しましたか？これにより、たとえば、0時間と23時間が互いに近くなり、変数の周期的な性質が透けて見えるようになります。

（詳細）

答えは、時間フィーチャとターゲット変数の間で表す関係の種類によって異なります。

時間を数値としてエンコードすると、モデルに特定の制限が課せられます。線形回帰モデルの場合、時間の効果は単調になり、ターゲットは時間とともに増加または減少します。決定木の場合、互いに近い時間値はグループ化されます。

時間をカテゴリカルとしてエンコードすると、モデルの柔軟性が向上しますが、場合によっては、学習するのに十分なデータがモデルにない場合があります。有用なテクニックの1つは、時間値をいくつかのセットにグループ化し、そのセットをカテゴリ属性として使用することです。

グループ化の例：

• 月については、ユースケースに応じて四半期または季節にグループ化します。例：1月から3月、4月から6月など
• 時間帯については、朝、夕方などの時間帯バケットにグループ化します。
• 曜日については、平日、週末にグループ化します。

上記のそれぞれは、十分なデータがあれば、カテゴリー属性としても直接使用できます。さらに、データ分析によってグループ化を発見し、ドメイン知識ベースのアプローチを補完することもできます。

数値機能を使用することをお勧めします。カテゴリ機能を使用することは、本質的に2つのカテゴリ間の距離を関連性があると見なさないことを意味します（たとえば、カテゴリ1はカテゴリ3と同じようにカテゴリ2に近い）。これは、数時間または数か月間は間違いなく当てはまりません。

ただし、提起する問題は、12が1に11に近い方法で時間と月を表現することです。それを達成するために、コメントで提案されたものを使用して使用することをお勧めします時間/月を数値的特徴として使用する前のサイン/コサイン関数。

使用しているアルゴリズムによって異なります。

ランダムフォレストのようなツリーベースのアルゴリズムを使用している場合は、この質問に合格してください。カテゴリベースのエンコードは、ツリーベースのアルゴリズムには必要ありません。

ニューラルネットワークのような他のアルゴリズムについては、両方の方法（連続＆カテゴリー）を試すことをお勧めします。効果は状況によって異なります。

持っているすべてのデータが適切に定義されているため、カテゴリエンコーディングをお勧めします。これは適用も簡単です。

@raghuが提供する答えを言い換えます。カテゴリと数値の特徴の大きな違いの1つは、数値の大きさが比較できるかどうか、つまり2019年が2018年よりも大きいか、12月（12）が3月（3）よりも大きいかどうかです。あんまり。これらの数字には順番がありますが、大きさは比較できません。したがって、カテゴリー値への変換はより意味があります。