如果您不使用虚拟变量对数字类别进行编码，则某些模型最终会被训练为在其预测中使用数字排序（例如 1 < 2 < 3 < 4 < 5 < ...）。这是否可取或有用取决于上下文，特别是数字类别的含义以及所使用的模型和实现。

在您的示例中，如果 Pclass 类别的数字标签代表“贫困阶层”，数字越小代表收入越少，数字越大代表收入越高，那么整数的排序实际上与类别的有意义排序有关（ “1 < 2 < 3”，相应地“贫困等级 1 比贫困等级 2 的富裕程度低于贫困等级 3”）。在这种情况下，按原样使用数字编码似乎没有任何害处，甚至可能对某些模型有所帮助。例如，决策树可以学习如下规则

if (Pclass >= 2): prediction = "survive"

而如果类别是用虚拟变量编码的，则此规则将如下所示：

if ((Pclass_2 == True) or (Pclass_3 == True)): prediction = "survive"

对于某些实现/模型，第一个规则可能比第二个规则更可能出现，更具成本效益（仅存储虚拟变量数据成本更高，更不用说它可能对模型性能产生的影响），更好地推广到新数据， ETC。

另一方面，如果 Pclass 类别的数字标签代表一个人在船上的房间位置（1 代表紧挨着冰山，2 代表有自己的超级豪华宴会厅逃生船，3 代表接近冰山撞击，4 代表中层等），那么整数的排序似乎与实际类的排序没有任何有意义的关系（无论如何我都可以看到！） . 如果要按原样使用数字类别的编码，那么许多模型实现可能会以“糟糕”的方式学习模式。例如，决策树可以了解到冰山撞击附近的人的生存率很低，并最终产生以下规则：

if Pclass <= 3: prediction = "does not survive"

这是“坏的”，因为它假设靠近冰山撞击与小于 3 的数字编码有关（它可能不会，例如，未来的数据可能包括许多大于 3 的新类别标签，所有这些标签都对附近的房间进行编码冰山一角），并且因为该规则似乎可能对那些拥有Pclass=2. 如果类别是用虚拟变量编码的，则学习的规则可能是：

if ((Pclass_1 == True) or (Pclass_3 == True)): prediction = "does not survive"

在这种情况下，这条规则“更好”，因为它不共享上一条规则所做的两个问题。

一般来说，我建议以下经验法则：

如果数字标签上的自然顺序对类别没有有意义的解释，则使用虚拟变量对数字标签类别进行编码。

在其他条件相同的情况下，当我有内存空间时，我倾向于默认使用虚拟变量，然后考虑使用整数编码是否有意义。在您的情况下，Pclass 代表什么，数字类别的顺序对您实际上有意义吗？如果没有，我建议使用虚拟变量。