# Kodowanie zmiennych kategorycznych EN: **Categorical feature encoding** · id `categoricalencoding` · aliases: kodowanie kategorii, categorical encoding, kodowanie cech kategorycznych Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Przygotowanie cech (feature engineering)](https://aiatlasgraph.com/t/featureeng.md) › Kodowanie zmiennych kategorycznych ## Description - PL: Przekształcanie cech kategorycznych w reprezentacje liczbowe: one-hot, porządkowe, docelowe (target encoding) lub wyuczone embeddingi. - EN: Converting categorical features into numeric representations: one-hot, ordinal, target encoding or learned embeddings. ## In one sentence - PL: Zamiana słownych kategorii, takich jak kolor czy miasto, na liczby, z których model może korzystać. - EN: Turning word categories such as colour or city into numbers a model can work with. ## Problem it solves - PL: Modele liczą na liczbach, a w danych są nazwy miast, typy produktów czy kody, których nie da się użyć wprost. - EN: Models compute with numbers, but data holds city names, product types or codes they cannot use directly. ## What it does - PL: Daje każdej kategorii osobny przełącznik albo zastępuje ją średnim wynikiem, jaki ta kategoria miała w przeszłości. - EN: It gives each category its own on/off switch, or replaces it with the average outcome that category had in the past. ## Everyday example - PL: Przewidując cenę mieszkania, zamieniasz nazwę dzielnicy na liczby, żeby model mógł porównać dzielnice. - EN: When predicting flat prices, you turn district names into numbers so the model can compare districts. ## This concerns you if you… - PL: masz w tabeli kolumny z nazwami zamiast liczb - PL: jedna kolumna ma setki różnych wartości - EN: have columns of names rather than numbers - EN: one column has hundreds of distinct values ## Keywords OneHotEncoder · OrdinalEncoder · TargetEncoder · high cardinality · entity embeddings · hashing trick · CatBoost ordered target statistics ## How it works - PL: One-hot tworzy osobną kolumnę binarną dla każdej kategorii, a kodowanie porządkowe nadaje liczby całkowite. Target encoding zastępuje kategorię wygładzoną średnią celu w tej kategorii, liczoną z cross-fittingiem, by wiersz nie widział własnej etykiety. Sieci uczą się osobnych embeddingów kategorii. - EN: One-hot creates a binary column per category; ordinal encoding assigns integers. Target encoding replaces a category with a smoothed mean of the target for that category, computed with cross-fitting so a row never sees its own label. Neural networks learn category embeddings. ## Limits - PL: One-hot rozdmuchuje liczbę kolumn przy wielu kategoriach. Target encoding bez cross-fittingu i wygładzania przecieka etykietą i przeucza rzadkie kategorie. Nowe, niewidziane kategorie wymagają reguły zastępczej. - EN: One-hot inflates column count when categories are many. Target encoding without cross-fitting and smoothing leaks the label and overfits rare categories. Unseen categories need a fallback rule. ## Key terms - PL: **one-hot**: Jedna kolumna 0/1 dla każdej możliwej kategorii. - PL: **target encoding**: Zastąpienie kategorii średnim wynikiem obserwowanym dla niej w treningu. - PL: **kardynalność**: Liczba różnych wartości, jakie przyjmuje kolumna. - EN: **one-hot**: One 0/1 column for each possible category. - EN: **target encoding**: Replacing a category with the average outcome observed for it in training. - EN: **cardinality**: The number of distinct values a column takes. ## Related topics Untyped, symmetric "see also" links. - [Rodzaje wycieku danych i ich wykrywanie (Types of data leakage and their detection)](https://aiatlasgraph.com/t/leakagetypes.md) ## Sources - [scikit-learn — TargetEncoder (API documentation)]() `sklearn-targetencoder` · by scikit-learn developers --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/categoricalencoding · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30