আমি জানি না এটি একটি সাধারণ / সেরা অনুশীলন কিনা, তবে এটি বিষয়টির অন্য দৃষ্টিভঙ্গি।
আপনার যদি থাকে তবে আসুন একটি তারিখ বলুন, আপনি প্রতিটি ক্ষেত্রকে "ধারাবাহিক পরিবর্তনশীল" পরিবর্তে "বিভাগের পরিবর্তনশীল" হিসাবে বিবেচনা করতে পারেন। দিনের সেটটি {1, 2 ..., 31} থাকবে, সেই মাসের মান {1, ..., 12 in হবে এবং বছরের জন্য, আপনি সর্বনিম্ন এবং সর্বাধিক মান চয়ন করেন এবং একটি সেট তৈরি করুন।
তারপরে, দিন, মাস এবং বছরগুলির নির্দিষ্ট সংখ্যাসূচক মান হিসাবে ডেটাতে প্রবণতা সন্ধানের জন্য কার্যকর নাও হতে পারে, প্রতিটি বিট বৈশিষ্ট্য হওয়ায় সংখ্যাসূচক মানগুলিকে এনকোড করতে বাইনারি উপস্থাপনা ব্যবহার করুন। উদাহরণস্বরূপ, 5 মাস হবে 0 0 0 0 1 0 0 0 0 0 0 0
(11 0 এর 1 ম 5 ম পজিশনে প্রতিটি বিট বৈশিষ্ট্যযুক্ত)।
সুতরাং, উদাহরণস্বরূপ, "বছরের সেট" এ 10 বছর থাকার পরে একটি তারিখ 43 বৈশিষ্ট্যের ভেক্টরে রূপান্তরিত হবে (= 31 + 12 + 10)। "স্পার্স ভেক্টর" ব্যবহার করে, বৈশিষ্ট্যগুলির পরিমাণ কোনও সমস্যা হওয়া উচিত নয়।
সময় ডেটা, সপ্তাহের দিন, মাসের দিন ... এর জন্য অনুরূপ কিছু করা যেতে পারে ...
এটি আপনার মেশিন লার্নিং মডেলের যে উত্তরটির উত্তর চান তা নির্ভর করে।