> Как кодировать признак рейтинг от 1 до 5 (Go)

Короткий ответ

Рейтинг от 1 до 5 - это порядковая категориальная переменная. Для линейных моделей кодируйте как ordinal (1,2,3,4,5) или one-hot, если важна нелинейность. Для tree-based моделей оставьте как есть. В Go при работе с ML-моделями обычно используют числовое представление int8 или float32 и нормализацию при необходимости. Главное - не кодировать как строку и не использовать label encoding для неупорядоченных категорий.

Подробное объяснение

Рейтинг 1-5 имеет естественный порядок, но расстояния между значениями не обязательно равны (разница между 1 и 2 может быть не такой, как между 4 и 5). Это важно учитывать:

• Ordinal encoding (1,2,3,4,5) - подходит для линейных моделей, если предполагается монотонная зависимость. Модель увидит, что 5 > 1, но будет считать разницу равной 4.
• One-hot encoding - создаёт 5 бинарных признаков. Позволяет модели выучить произвольную нелинейную зависимость, но увеличивает размерность и теряет порядок.
• Binary encoding - для 5 значений можно использовать 3 бита (001, 010, 011, 100, 101). Компактнее one-hot, но менее интерпретируемо.
• Target encoding - замена на среднее целевой переменной по группе. Работает хорошо, но требует аккуратной кросс-валидации для избежания утечек.

Для tree-based моделей (Random Forest, XGBoost) порядковое кодирование оптимально - деревья сами найдут нужные разбиения. Для нейросетей часто используют embedding слой, но для 5 значений это избыточно.

В Go, если вы пишете сервис предсказаний, рейтинг обычно приходит как JSON-число. Храните как int8 (диапазон 1-5) и конвертируйте в float32 перед передачей в модель. Если используете библиотеки типа gorgonia или onnxruntime, убедитесь, что тип данных совпадает с ожидаемым моделью.

На практике

• Для рекомендательных систем и рейтинговых моделей часто используют ordinal encoding с последующей нормализацией до [0,1] - это сохраняет порядок и масштабирует признак.
• Если рейтинг - это целевая переменная (например, предсказание оценки), задача становится регрессией или упорядоченной классификацией. Для последней используйте специальные loss-функции (ordinal regression).
• При работе с пользовательскими данными проверяйте валидность: рейтинг может быть 0 или отсутствовать. Обрабатывайте пропуски отдельно (например, отдельное значение -1 или медиана).
• В Go для сериализации в ML-форматы (ONNX, TensorFlow) используйте []float32 - это стандарт для большинства рантаймов.

Пример кода

GO
package main

import (
	"fmt"
	"math"
)

// Rating представляет рейтинг 1-5
type Rating int8

// ToFloat32 конвертирует в float32 для ML-модели
func (r Rating) ToFloat32() float32 {
	if r < 1 || r > 5 {
		return 0 // или обработать как ошибку
	}
	return float32(r)
}

// Normalized возвращает значение в диапазоне [0,1]
func (r Rating) Normalized() float32 {
	return (float32(r) - 1) / 4
}

// OneHot возвращает one-hot вектор длины 5
func (r Rating) OneHot() []float32 {
	if r < 1 || r > 5 {
		return make([]float32, 5)
	}
	result := make([]float32, 5)
	result[r-1] = 1.0
	return result
}

func main() {
	rating := Rating(4)
	fmt.Printf("raw: %.1f, normalized: %.2f, one-hot: %v\n",
		rating.ToFloat32(), rating.Normalized(), rating.OneHot())
	
	// Проверка на NaN/Inf для безопасности
	if math.IsNaN(float64(rating.ToFloat32())) {
		panic("invalid rating")
	}
}

Как отвечать на собеседовании

Начните с уточнения: для какой модели и задачи? Это покажет системное мышление. Затем кратко перечислите варианты кодирования с trade-off. Обязательно упомяните, что порядковое кодирование подходит для большинства случаев, но one-hot оправдан, если есть основания для нелинейности. Приведите пример из практики: как вы обрабатывали рейтинги в реальном проекте. Если спросят про Go - расскажите про типы данных, валидацию и конвертацию для ONNX/TensorFlow.

Что проверяет интервьюер

• Понимание разницы между категориальными и порядковыми признаками.
• Умение выбирать кодирование под конкретную модель.
• Осознание trade-off между интерпретируемостью, размерностью и качеством.
• Практические навыки: обработка пропусков, валидация, типы данных.
• Для senior - способность обосновать выбор и предвидеть проблемы (например, утечка данных при target encoding).

Типичные ошибки

• Использование label encoding (0,1,2,3,4) для неупорядоченных категорий - здесь не ошибка, но часто путают с one-hot.
• Применение one-hot для рейтинга без необходимости - раздувает фичи и теряет порядок.
• Игнорирование пропусков: рейтинг может быть null, и это отдельный сигнал.
• Нормализация до [0,1] без учёта, что модель может ожидать другой диапазон.
• В Go - использование int вместо int8 и потеря точности при конвертации в float32.
• Непроверка границ: рейтинг 0 или 6 ломает one-hot индексацию.