PREPARAÇÃO DE DADOS · CODIFICAÇÃO

Transformar categorias sem inventar relações.

Modelos matemáticos precisam de números, mas cada transformação comunica uma estrutura. Ordinal Encoding preserva uma ordem verdadeira; One-Hot mantém categorias nominais separadas.

Existe ordem?essa é a primeira pergunta

Ordinal Encodingbaixo < médio < alto

One-Hot Encodinguma coluna indicadora por categoria

Verificar o modeloalguns aceitam categorias nativamente

01 · A TABELA ORIGINAL

As colunas não possuem o mesmo significado.

Risco tem uma sequência legítima. Plano e cidade são apenas nomes de grupos. Portanto, não devem receber automaticamente a mesma codificação.

cliente	idade	risco	plano	cidade	cancelou (y)
A	24	Baixo	Básico	Uberaba	Não
B	51	Alto	Premium	Franca	Sim
C	36	Médio	Básico	Uberlândia	Não
D	42	Alto	Essencial	Uberaba	Sim

NUMÉRICA

idade

É uma quantidade. Pode ser padronizada conforme o modelo.

24, 51, 36, 42

ORDINAL

risco

Baixo, médio e alto possuem ordem real.

baixo < médio < alto

NOMINAIS

plano e cidade

Os nomes identificam grupos, não níveis.

Uberaba ≠ “menor” que Franca

ALVO

cancelou

É a resposta y de uma classificação binária.

não=0 · sim=1

02 · ORDINAL ENCODING

Use quando a ordem faz parte do significado.

Definimos conscientemente a sequência das categorias e substituímos cada nível por sua posição.

Antes

Baixo<Médio<Alto

A relação de ordem já existe no domínio do problema.

→

Depois

Baixo = 0Médio = 1Alto = 2

A codificação preserva essa sequência para o algoritmo.

codificar(risco): Baixo → 0 · Médio → 1 · Alto → 2

Bom uso

Escolaridade, faixa de risco, tamanho P/M/G ou satisfação em níveis ordenados.

ordem definida pelo domínio

Mau uso

Codificar cidades como Uberaba=0, Franca=1, Goiânia=2. Não existe ordem real.

cidade 2 não é maior que cidade 1

Categoria desconhecida

Dados futuros podem trazer um nível não observado. Defina uma política para “desconhecido”.

unknown_value = -1

03 · ONE-HOT ENCODING

Use para grupos sem ordem natural.

Cada categoria vira uma coluna binária. Assim, o código não afirma que uma cidade é maior ou mais próxima que outra.

cidade original	cidade_Uberaba	cidade_Franca	cidade_Uberlândia
Uberaba	1	0	0
Franca	0	1	0
Uberlândia	0	0	1
Uberaba	1	0	0

One-Hot(Uberaba) = [1, 0, 0] · One-Hot(Franca) = [0, 1, 0]

Categoria nova: ao configurar handle_unknown="ignore", uma categoria não vista no treino pode ser representada por zeros nas colunas conhecidas. A política exata deve ser definida no pipeline e testada com dados futuros.

04 · TABELA PRONTA PARA O MODELO

Uma linha se transforma em um vetor numérico.

idade	risco_ord	plano_Básico	plano_Essencial	plano_Premium	cidade_Uberaba	cidade_Franca	cidade_Uberlândia	y
24	0	1	0	0	1	0	0	0
51	2	0	0	1	0	1	0	1
36	1	1	0	0	0	0	1	0
42	2	0	1	0	1	0	0	1

Leitura da primeira linha: cliente de 24 anos, risco baixo (0), plano Básico, cidade Uberaba e alvo “não cancelou” (0). As colunas indicadoras valem 1 somente quando a categoria está presente.

05 · OUTRAS CODIFICAÇÕES

Alternativas para situações específicas.

Binária 0/1

Para exatamente duas categorias, uma única coluna pode ser suficiente.

sim=1 · não=0

Frequência

Substitui a categoria por sua frequência no treino. Economiza colunas, mas diferentes grupos podem ter a mesma frequência.

Uberaba → 0,42

Target Encoding

Usa uma estatística do alvo por categoria. Deve ser ajustado apenas no treino e dentro da validação cruzada.

alto risco de vazamento

Embeddings

Redes neurais podem aprender vetores densos para categorias ou tokens, especialmente com vocabulários grandes.

categoria → [0,18, −0,42, …]

06 · QUAL CODIFICAÇÃO PARA CADA MODELO?

A escolha depende da semântica e do algoritmo.

Modelo	Nominal	Ordinal	Observação prática
Regressão linear / logística	One-Hot	Ordinal se a ordem for real	Um código nominal 0/1/2 inventaria uma relação linear.
SVM	One-Hot	Ordinal consciente	Também padronize as entradas numéricas; distância e margem são sensíveis à escala.
k-NN / k-means / LVQ / RBF	One-Hot com cautela	Ordinal consciente	A representação muda diretamente as distâncias. Escala é essencial.
Perceptron / ADALINE / MLP	One-Hot ou embedding	Ordinal consciente	Escala consistente geralmente favorece o treinamento.
Árvore / Random Forest no scikit-learn	Codificar	Ordinal pode ser útil	One-Hot evita ordem falsa; árvores podem lidar bem sem padronização.
CatBoost / LightGBM / boosting com suporte categórico	Preferir suporte nativo quando configurado	Depende da implementação	Não aplique One-Hot automaticamente antes de verificar a biblioteca.
Naive Bayes	One-Hot ou variante categórica	Depende da variante	Escolha Bernoulli, Multinomial, Categorical ou Gaussian conforme os dados.
Transformer	IDs de tokens + embeddings	Embeddings / atributos	O ID do token é índice de consulta, não uma medida ordinal.

07 · NÃO CONFUNDA X E y

Codificador de entrada e codificador do alvo têm funções diferentes.

OrdinalEncoder

Transforma uma ou várias colunas categóricas de entrada X. A ordem deve ser especificada quando ela importa.

X[:, categoria] → números

OneHotEncoder

Cria colunas indicadoras para as categorias das entradas X.

X[:, cidade] → [0,1,0]

LabelEncoder

No scikit-learn, é destinado aos rótulos do alvo y, e não às colunas de entrada.

y: ["não","sim"] → [0,1]

08 · PIPELINE REPRODUZÍVEL

Cada grupo de colunas recebe seu transformador.

separar treino/teste→imputar→escalar numéricas→codificar categorias→treinar modelo

# Exemplo conceitual com scikit-learn
numericas = ["idade"]
ordinais = ["risco"]
nominais = ["plano", "cidade"]

preparo = ColumnTransformer([
    ("num", StandardScaler(), numericas),
    ("ord", OrdinalEncoder(
        categories=[["Baixo", "Médio", "Alto"]]
    ), ordinais),
    ("nom", OneHotEncoder(
        handle_unknown="ignore"
    ), nominais)
])

pipeline = Pipeline([
    ("preparo", preparo),
    ("modelo", LogisticRegression())
])

# fit aprende transformações e modelo somente com o treino.
pipeline.fit(X_treino, y_treino)

# predict reutiliza exatamente as mesmas transformações.
previsoes = pipeline.predict(X_teste)