indicatorvarianten

Indicatorvarianten verwijzen naar de verschillende manieren om categorische variabelen om te zetten in numerieke indicatoren die gebruikt worden bij statistische modellen. Een indicatorvariabele is doorgaans een binaire variabele die aangeeft of een categorie aanwezig is. Bij indicatorvarianten gaat het om de verschillende coderingen en constructies die mogelijk zijn om dezelfde categorieën te representeren in een dataset.

Veelvoorkomende varianten zijn: eenvoudige indicatoren (0/1 voor een specifieke categorie), dummyvariabelen met referentiecoding (een van de categorieën wordt achterwege gelaten om perfectie van de modelmatrix te voorkomen), one-hot encoding (voor alle categorieën aparte binaire variabelen), contrastcoding zoals effectcoding of somcodering (waarbij de codes vergelijkingen maken ten opzichte van een basiscategorie of het gemiddelde), en gecentreerde indicatoren (binaire codes die interpretatie van coëfficiënten beïnvloeden).

Toepassingen: indicatorvarianten worden veel gebruikt in lineaire en logistieke regressie, gegeneraliseerde lineaire modellen (GLM), ANOVA en in machinaal leren als inputfeatures. De keuze voor codering beïnvloedt interpretatie van coëfficiënten en kan multicollineariteit veroorzaken wanneer er geen referentiecategorie wordt weggehaald. In machine learning zijn one-hot encodings standaard, maar bij hoge cardinaliteit bestaan alternatieven zoals target encoding of leave-one-out encoding.

Praktische overwegingen: kies codering op basis van modelinterpretatie en dataset; let op het aantal kolommen bij hoge cardinaliteit; behandel ontbrekende waarden; bij K-fold cross-validatie moet encoding consistent over folds blijven.