Label Encoding é uma técnica usada para pré-processar dados categóricos. É comumente usado em pipelines de aprendizado de máquina para codificar valores não numéricos para que possam ser usados por algoritmos que funcionam apenas com entradas numéricas. A codificação de rótulo converte uma entrada categórica em rótulos numéricos com base na ordem alfabética dos rótulos.
A codificação de rótulos é uma estratégia de pré-processamento de dados simples e intuitiva que pode ser aplicada a colunas de conjuntos de dados com dados categóricos. A técnica atribui um identificador numérico exclusivo (ou rótulo) a cada categoria de entrada. Por exemplo, em um conjunto de dados com coluna COLORS com valores 'vermelho', 'verde' e 'azul', o codificador de rótulo atribuirá os rótulos 0, 1 e 2 respectivamente.
A codificação de rótulo tem duas vantagens principais; em primeiro lugar, é mais intuitivo do que outras técnicas de pré-processamento de dados porque os rótulos numéricos refletem o valor das categorias utilizadas no conjunto de dados. Em segundo lugar, a codificação dos rótulos preserva a magnitude das entradas, ou seja, dois rótulos que ocorrem juntos na ordem lexicográfica receberão rótulos numéricos que diferem por uma pequena quantidade, o que pode ser útil ao modelar os dados com algoritmos.
Por outro lado, a codificação de rótulos também apresenta algumas desvantagens importantes. Primeiramente, ao atribuir rótulos numéricos às entradas categóricas, o mapeamento nem sempre é intuitivo e pode causar vieses no algoritmo que modela os dados. Em segundo lugar, os dados codificados rotulados não podem ser usados para algoritmos baseados em regressão (como regressão linear ou logística); como os rótulos numéricos não transmitem nenhum significado, o algoritmo não pode fazer previsões com base na magnitude dos rótulos.
A codificação de rótulos é uma técnica útil de pré-processamento de dados para preparar entradas categóricas para processamento posterior. No entanto, deve-se ter cuidado para garantir que o mapeamento de rótulos numéricos para valores categóricos não distorça involuntariamente o modelo usado para ajustar os dados.
