在分类问题中，当响应变量具有多类，例如“晴天”、“雨天”、“阴天”时，我们应该如何对其进行编码？我知道对于这样的预测器，通常我们会使用One Hot Encoding，如果一个预测器的类太多，那么我们可能只使用LabelEncode。
当响应变量中出现这个多类问题时，我想我们可以只使用 LabelEncode() 而不是使用 One Hot 编码对吗？因为如果我们使用 One Hot 编码，那么我们将有 2 个变量作为响应变量，而 sklearn 中的机器学习算法通常期望响应变量不是向量，对吧？（我的意思是它需要一个长的一维向量，其长度等于观察的数量，但不是一个二维矩阵）。但另一方面，如果我们只是将“sunny”、“rainy”、“cloudy”映射到 {1,2,3} 或 {0,1,2} 或任何 3 个数字，这将创建一个小于或大于“晴”、“雨”、“阴”之间的关系，这在原问题中没有继承。
这取决于类的含义，以及它们是否有任何有意义的顺序。
如果它们是序数或标度，则存在有意义的排序，对它们进行排序然后分配标签可能是合理的为了上课。这就是你所说的“LabelEncode”。在某些情况下，某种形式的回归也可能是合适的并且值得尝试。
如果它们是categorical或nominal，没有有意义的排序，那么 LabelEncode 没有任何意义，并且不会比 one-hot 编码更好——而且可能更糟。因此，默认值为 one-hot 编码。
如果它们是分类的但有一些层次结构，则有更聪明的方法。您可以构建表示层次结构的树，然后进行多热编码。如果有 类，你将有一棵树 叶子和（说） 节点总数（其中 ）。然后你可以将类编码为-向量，其 如果类是节点的后代，则第 1 项为 1 在树中，否则为 0。
如果类是分类的但具有各种属性，您可以尝试一种编码，每个可能的属性都有一个元素。例如，如果有 二进制属性，你可以有一个 -向量中包含 0 或 1 th条目根据对应的类是否有 属性与否。您可以从那里概括为更一般的情况。
这在很大程度上取决于软件。 sklearn 分类器将知道不将标签编码的数据视为有序；也就是说，它们中的大多数/全部都会很好地获取原始字符串数据（并且在许多情况下会在LabelEncoder内部使用 a 以提高计算效率）。如果您一次性对多类数据进行编码，sklearn通常会认为您的问题是多标签而不是多类，并且您的结果会有所不同。另请参阅此 SO 问题。
但是，相比之下，大多数神经网络实现都期望多类目标预先进行一次热编码，并且可能您希望在最后一层使用 softmax 激活。