与许多关于如何表示特征或最好地从中学习的一般问题一样，答案是“视情况而定”。

• 如果单独的项目有一个自然序列，并且该序列以某种方式为预测提供信息，那么这些类可能最好作为一个单一的特征，它采用离散值，缩放到网络。一个很好的例子可能是预测房价，其中一个特征是财产税带（在有这些的地方，例如英国议会税）。

• 如果类没有与问题相关的自然顺序，那么 one-hot-encoding 通常是更好的解释。这方面的一个例子可能是根据制造商预测汽车的价格。

在这两种情况下，具有足够层和连接以及足够数据的神经网络可以解决更困难的表示，并且在实践中的表示之间几乎没有有效差异。但是，如果您对该特征有所了解，则根据该知识选择最“自然”的表示是很正常的，并且通过做出正确的选择，您通常会看到小幅改进。在第一种情况下，神经网络可以受益于需要更少的参数，并且学习效率更高。

如果您不确定，那么选择 one-hot 与单个缩放输入应该是您作为超参数调整的一部分执行的实验，以及您不确定的任何其他特征工程。