カテゴリデータとは、数値的な意味を持たない分類やラベルを表すデータのことです。例えば性別や血液型、都道府県名などが該当します。機械学習モデルで処理する際は、ワンホットエンコーディングやラベルエンコーディングなどの数値変換が必要となります。データ分析や機械学習において適切に前処理することが重要です。
カテゴリデータとは
カテゴリデータとは、数値の大小や順序に直接的な意味がない、定性的な分類や属性を表すデータのことです。
詳しく解説
カテゴリデータは、データの性質によって順序カテゴリデータ（例：満足度「高・中・低」のように順序関係があるもの）と名義カテゴリデータ（例：血液型や国名のように順序がないもの）に分けられます。機械学習アルゴリズムの多くは数式に基づいているため、文字列などのカテゴリデータを直接入力として扱うことができません。そのため、数値へ変換する前処理（エンコーディング）が不可欠となります。代表的な手法として、各カテゴリを0や1のバイナリ列に変換するワンホットエンコーディングや、整数値を割り当てるラベルエンコーディングが存在します。
具体例・使われ方
具体例としては、顧客データの「性別（男性、女性、その他）」や「都道府県（東京都、大阪府など）」、商品の「カテゴリ（家電、衣服、食品）」、Webサイトの「アクセスログにおけるOSの種類（iOS、Android、Windows）」などが挙げられます。
似た用語との違い
数値データとの違いが明確に存在します。数値データは身長や体重のように四則演算や平均値の計算に意味がありますが、カテゴリデータは「1=男性、2=女性」と数値を割り当てても、その数値自体に加減乗除の数学的な意味はありません。
注意点
カテゴリの数が非常に多い高カーディナリティのデータをワンホットエンコーディングすると、特徴量の次元数が膨大になり、モデルの計算コスト増大や過学習を引き起こすリスクがあります。また、本来順序関係のない名義カテゴリデータに対してラベルエンコーディングを行い不適切な整数を割り当てると、モデルが誤った大小関係を学習してしまう注意点があります。