ترميز تكرار الفئة: هل يميز الرمز كل اسم؟

الخلاصة السريعة

لا؛ إذا كان الرمز هو عدد ظهور الفئة، فإن فئتين مختلفتين لهما التكرار نفسه تحصلان على العدد نفسه.

• تصف وثائق CountEncoder استبدال أسماء المجموعات بأعدادها في الميزة الفئوية. ^[1] نطبق هنا قاعدة عد بسيطة معلنة، دون تشغيل المكتبة أو تبني سياسات إضافية.
• في جدولنا أ ثلاث مرات وب ثلاث مرات وج مرتان؛ خريطة العدد أ إلى 3 وب إلى 3 وج إلى 2 لا تجعل أ وب اسما واحدا.
• الرمز 3 وحده لا يكشف أي الاسمين كان في البطاقة. وحتى إذا قسمنا العدد على مجموع الصفوف 8 ، تبقى حصة أ وب متساوية: ثلاثة أثمان لكل منهما.
• نحتفظ بالأصل ونسخة جدول العد عند الحاجة إلى تفسير الهوية. العدد من مرجع ثابت ليس عداد طلبات جديدا؛ ولا يثبت ترتيب الفئات أو أهميتها أو جودة تنبؤ.

أي معلومة نضعها بدلا من الاسم؟

يعرف توثيق CountEncoder ترميز العد بوضع عدد المجموعة مكان اسمها في حقل فئوي. ^[1]

نعلن قاعدة محددة لتمريننا: نعد مرات كل اسم في جدول مرجعي، ثم نكتب ذلك العدد عند تمثيل بطاقة من فئة معلومة. لا نحذف عمودا ثابتا ولا نجمع فئات قليلة الظهور ولا نتعامل مع اسم جديد أو خانة غائبة في هذا التمرين.

العدد يجيب عن شيوع الاسم في المرجع الذي اخترناه. أما سؤال «ما اسم الفئة في هذه البطاقة؟» فيحتاج إلى معلومة هوية. لا نحول الإجابة عن السؤال الأول إلى ضمان للإجابة عن الثاني.

كيف تتساوى رموز اسمين مختلفين؟

نؤلف ثماني بطاقات، بأسماء أ وأ وأ وب وب وب وج وج. ظهرت أ ثلاث مرات، وب ثلاث مرات، وج مرتين. مجموع التكرارات ثمانية كما يقتضي عدد البطاقات.

تحت قاعدة العد المعلنة يصبح رمز بطاقة أ هو 3 ، ورمز بطاقة ب هو 3 أيضا، ورمز بطاقة ج هو 2. لم ندمج أ وب في اسم ثالث؛ الخريطة فقدت القدرة على الفصل بينهما بسبب تساوي العددين.

فلو سلمنا القارئ العدد 3 فقط، مع خريطة التكرارات، عرف أن الأصل قد يكون أ أو ب. لا يستطيع تحديد الاختيار من هذا العدد وحده. حفظ الخريطة مهم لتفسير الرمز، لكنه لا يعيد معلومة لم يعد الرمز يميزها.

هل تحويل العدد إلى حصة يزيل الالتباس؟

نختار قاعدة أخرى من إنشاء المثال: نقسم تكرار كل فئة على مجموع الصفوف الثمانية. تصبح حصة أ ثلاثة أثمان، وحصة ب ثلاثة أثمان، وحصة ج ربع الصفوف. لا ننسب هذا الحساب إلى تنفيذ إعداد معين للمكتبة.

المقام الواحد لم يجعل العددين المتساويين مختلفين؛ الرمز النسبي لأ وب يظل واحدا. كما أن الحصة ليست درجة ترتيب طبيعية أو احتمالا أن بطاقة بعينها صحيحة؛ هي نسبة الاسم في جدولنا المعروف فقط.

وإذا قدمنا بطاقة أ لاحقا إلى خريطة ثابتة، يستعمل المثال العدد المحفوظ 3. مجرد وصول تلك البطاقة لا يغير المرجع إلى تسع بطاقات أو يعدل تكراراته تلقائيا. تحديث المرجع وإعادة بناء الخريطة قرار آخر يجب التصريح به.

ماذا نحفظ إذا احتجنا إلى هوية الفئة؟

نقترح الاحتفاظ بالاسم الأصلي بجانب التمثيل العددي عندما تتطلب المراجعة معرفة الفئة بعينها. ونسجل نسخة المرجع وقاعدة العد وهل نستخدم العدد أم الحصة، حتى لا يقرأ المستلم رقما من نسخة قديمة على أنه تكرار المجموعة الحالية.

هذه المراجعة لا تمنع ترميز العد في كل مهمة، ولا تقرر أنه أفضل أو أسوأ من تمثيل آخر. لم ندرب نموذجا. الذي يظهر من جدولنا أن تمثيل الشيوع قد يكون مشتركا بين أسماء مختلفة؛ نجاح حساب العدد لا يضمن إمكان استعادة الاسم منه.