Transforms.Categorical.OneHotEncoding与mlContext.Transforms.Text.FeaturizeText的区别

Transforms.Categorical.OneHotEncoding：一个特征有n个类别，使用one-hot编码变成了n个特征，决策树选择其中某个特征分裂后一边是0一边是1，由于是one-hot编码，1的这边其他n-1个特征都是0，0的这边其他n-1个特征必有一个是1，所以也就是one-vs-res

也就是这个方法适用于该特征只有一个值时。例如我当前项目中的股票所属板块这个特征，它可能属于多个板块，则不能使用这个方法？

而学习文档中关于计算出租车车费的例子，支付方式这个特征，它只可能选择一种（对于某一条数据来说），所以可以使用这个方法。

mlContext.Transforms.Text.FeaturizeText：将文本数据转换为特征向量。例如学习文档中分析情绪的例子，情绪文本就采用这个方法转换为特征向量。所以向我这个股票所属板块的特征应当用本方法。

个人理解，也不知道对不对。不喜勿喷，欢迎指正。谢谢！