如何把类别资讯丢给模型训练 - 编码方法（上）：Integer Encoding (Label Encoding) &a

前言

神经网路中一个常见的题目就是要做「分类」，而如何将类别资讯（Categorical Data）转换成数值资讯（Numerical Data）让模型能够理解，进而执行训练，就要来探讨如何对资料进行编码（Encoding）。

网路上已经有其他写得满清楚的部落格文章，可以直接参考（皆附程式码）：

初学Python手记#3-资料前处理( Label encoding、 One hot encoding)Day03 Pandas DataFrame, Label Encoding and One Hot Encoding. Pandas基本资料类型、标籤编码与独热编码

这边仅简单做个白话的整理和比较，也可以直接看最后Take Home Message的部分。

编码 (Encoding)

常用的方式主要有以下两种方法：

Integer Encoding（标籤编码）One-Hot Encoding（独热编码）

1. Integer Encoding

将类别变量利用一位来呈现。不同类别，分别有对应的一个整数。

2. One-Hot Encoding

将类别变量用二进制的向量来呈现。有n类，向量长度就是n维。属于该类的话就注记1、不属于就注记0。

Take Home Message

针对三个类别来举例的话：

Integer Encoding会这样转换：
金牌 > 1
银牌 > 2
铜牌 > 3
（可以留意一下，金银铜牌这三类是「有序类别变量」，类别之间具有顺序关係）

One-Hot Encoding会这样转换：
红色 > 1 0 0
绿色 > 0 1 0
蓝色 > 0 0 1

两种方式使用时机的差异在于：

Integer Encoding会让模型学习到「顺序关係」，也就是有大小之分。而当类别之间不存在优劣、前后、高低之分的时候，也就是「无序」，就适合採用 One-Hot Encoding。但相对地，因为维度提高了，就会较费时且占用较多的空间。

如果有任何问题欢迎留言讨论，文中错误的地方还请不吝指正，谢谢！

References

Why One-Hot Encode Data in Machine Learning?