[MÚSICA] Hemos visto y explorado un poco
el modelo de regresión logística. Y dimos indicios de qué significa aprendizaje,
encontrado los mejores parámetros para estos modelos. Sin embargo, hablamos sobre las características
de una manera abstracta. Dijimos que teníamos número de increíbles,
número de horribles, y así. Pero tenemos que pensar un poco más profundo
cuando nuestras entradas se llaman variables categóricas. Tomemos un pequeño ejemplo. Si nuestras entradas x fueran valores
numéricos como número de increíbles, una edad, un salario, es natural multiplicarlos
por coeficientes particulares. Así, 1.5 veces el número de increíbles
tiene sentido, o 17 veces el salario tiene sentido
como valor numérico en la función score. Sin embargo, si usamos entradas
categóricas como masculino, femenino, lugar de nacimiento, código postal,
que en Estados Unidos se llama zipcode. En Estados Unidos El código postal, o zipcode, está definido
por cinco números. Por ejemplo, 10005 o 98195. Este es un número que se puede
multiplicar por un coeficiente, sin embargo, en realidad no se comportan
como valores numéricos, se comportan más como valores categóricos. Por ejemplo,
98195 no es 9 veces más grande que 10005. Es sólo una parte diferente
del país. Así que incluso los números, si no se
comportan como una escala continua sino como un indicador de localización
como en este ejemplo, el indicador de categoría,
entonces tenemos que codificarlos de formas interesantes si vamos
a multiplicarlos por algún coeficiente. La pregunta es
¿Cómo multiplicamos un coeficiente como 1.5 o -2.7 con esta categoría
llamada variable? Y para hacer esto vamos a usar
lo que se llama un codificador. Un codificador toma
una entrada categórica, por ejemplo país de nacimiento,
e intenta codificarlo usando algún tipo de valores numéricos que son naturalmente
multiplicados por algunos coeficientes. Por ejemplo, país de nacimiento, podría tener 196 categorías o países
que podría tomar como valor. Y una manera de codificar esto
es usando la codificación 1-hot, donde se crea una característica para
cada país posible. Por ejemplo, podría ser una característica
para Argentina, una característica para Brasil, y así, hasta una característica
para Zimbabwe. Y así, si alguien ha nacido en Brasil,
entonces la característica para Argentina vale 0, la característica para Brasil vale 1, y
todas las otras características valen 0. Entonces, sólo una de estas características
tiene valor 1, y el resto 0, por eso se llama 1-hot. Proviene de ingeniería eléctrica,
que significa 1 encendido o 1 activado. De manera similar, si alguien ha nacido 
en Zimbabwe, obtendremos 0, 0, 0, 0, y sólo 1 en la característica h196
que corresponde a Zimbabwe. Esa es una forma de codificar. E implícitamente en éste módulo, hemos explorado un tipo
diferente de codificación para datos tipo texto. Y discutimos eso en el primer curso,
lo que se llamaba Bolsa de Palabras. Así, un comentario está definido por texto,
que puede tener 10 000 palabras diferentes que provienen de él,
o más, mucho más, millones. Y lo que hace Mochila de Palabras es tomar
ese texto y codificarlo como cuentas. Por ejemplo, podríamos asociar h1 con el número de increíbles, h2 con el número de horribles. Y así hasta h10000
que podría ser el número de sushis. Es decir el número de veces que
aparece la palabra sushi. Y un dato en particular podría
tener 2 increíbles, 0 horribles, 0 de otras cosas, y tal vez
3 sushi. Entonces se vuelve un vector
muy disperso, de 10000 dimensiones. En ambos casos, hemos tomado
una entrada categórica, y definido un conjunto de características,
una para cada categoría posible, para contener un valor o una cuenta. Y esto podemos pasarlo directamente
al modelo de regresión logística que discutimos previamente. Este tipo de codificación es muy
fundamental en la práctica, y deberías familiarizarte mucho
con ello. [MÚSICA]