在机器学习中为什么要进行 One-Hot 编码？

什么是类别数据？

类别数据是一种只有标签值而没有数值的变量。
它的值通常属于一个大小固定且有限的集合。
类别变量也常被称为标称值（nominal）。
下面举例说明：

• 宠物（pet）变量包含以下几种值：狗（dog）、猫（cat）。
• 颜色（color）变量包含以下几种值：红（red）、绿（green）、蓝（blue）。
• 位次（place）变量包含以下几种值：第一（first）、第二（second）和第三（third）。

以上例子中的每个值都代表着一个不同的类别。
有些类别彼此间存在一定的自然关系，比如自然的排序关系。
上述例子中，位次（place）变量的值就有这种自然的排序关系。这种变量被称为序数变量（ordinal variable）。

类别数据有什么问题？

有些算法可以直接应用于类别数据。

比如，你可以不进行任何数据转换，将决策树算法直接应用于类别数据上（取决于具体实现方式）。

但还有许多机器学习算法并不能直接操作标签数据。这些算法要求所有的输入输出变量都是数值（numeric）。
通常来说，这种限制主要是因为这些机器学习算法的高效实现造成的，而不是算法本身的限制。

但这也意味着我们需要把类别数据转换成数值形式。如果输出变量是类别变量，那你可能还得将模型的预测值转换回类别形式，以便在一些应用中展示或使用它们。

更多信息参考：
https://juejin.im/post/5d15840e5188255c23553204