基于训练集，我们对一些都是数字的属性应用了简单的线性回归。

现在我们在类别方面有了更多的属性，当然我们应用了 one-hot-encoding 将类别转换为二进制属性

以这个简单的python代码为例：

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size = 0.8, test_size=0.2)

model = LinearRegression(normalize=True).fit(X_train, y_train)

printErrorMetrics(trueTargets=y_test, predictions=model.predict(X_test))

当表 X 仅具有原始数字属性时，来自 printErrorMetrics 函数（RMSE 等）的分数都足够好

在添加 one-hot-encoded 类别后，我们期待更好的结果，但结果非常糟糕，以至于该方法似乎不起作用。

我们错过了什么吗？

添加 one-hot-encoded 列/属性后，我们是否需要对数据进行预处理？