🏷️ Categorical Encoding 類別編碼

互動式機器學習基礎教學

1

為什麼需要類別編碼？

🤖

電腦的困擾

機器學習模型只能處理數字，看不懂「紅色」、「男」、「晴天」這些文字。

所以我們需要一個「翻譯官」，把文字翻譯成數字！

📝 原始資料
🍎 蘋果 🍌 香蕉 🍇 葡萄
翻譯成數字 →
🔢 模型能理解
0 1 2
2

選擇資料集，看看我們的資料

📋 原始資料（文字）

👆 選擇資料集後點擊「開始編碼」
4

該選哪一種？速查表

🏷️

Label Encoding

✅ 適合使用：
  • 類別是目標變數（y 欄位）
  • 只有兩個類別（如：男/女、是/否）
❌ 避免使用：
  • 無序類別 + 線性模型（會誤解大小關係）
📊

One-Hot Encoding

✅ 適合使用：
  • 無序類別（顏色、血型、城市）
  • 使用線性模型、神經網路
  • 類別數量不多（< 10 個）
❌ 避免使用：
  • 類別數量很多（維度爆炸）
📏

Ordinal Encoding

✅ 適合使用：
  • 類別有自然順序（學歷、滿意度、成績等級）
  • 順序資訊對預測有意義
❌ 避免使用：
  • 類別沒有自然順序
📊

Frequency Encoding

✅ 適合使用：
  • 類別數量非常多（城市、郵遞區號、商品ID）
  • 不需要目標標籤 y （非監督式特徵工程）
  • 希望保留類別的個數資訊
❌ 避免使用：
  • 多個類別頻率相同（編碼後分辨不出）
🎯

Target Encoding

✅ 適合使用：
  • 類別數量非常多（城市、商品ID、郵遞區號）
  • 有明確的目標變數 y
  • 希望直接挖掘類別與目標的關聯性
❌ 避免使用：
  • 沒有目標值（非監督式學習）
  • 未做 K-Fold 處理（會資料洩漏）

🧭 快速判斷流程

你的類別有順序嗎？
✅ 有（如：大 > 中 > 小）
↓
用 Ordinal Encoding
❌ 沒有（如：紅、藍、綠）
↓
有目標值 y 嗎？
有 y → Target Encoding
沒有 y → 類別數量多嗎？
少（< 10） → One-Hot
多（≥ 10） → Frequency Encoding
5

常見陷阱與注意事項

⚠️

假的順序關係

對無序類別使用 Label Encoding，模型會誤以為有大小之分。
例如：紅=0, 藍=1, 綠=2 → 模型誤認「綠 > 紅」

💥

維度爆炸

One-Hot 的欄位數量 = 類別數量。
如果有 1000 個城市，就會產生 1000 個新欄位！

🕵️

未知類別

測試資料可能出現訓練時沒見過的類別。
需要設定預設值或使用特殊處理策略。

🔒

資料洩漏

編碼器必須只在訓練集上學習分類對照表，
不能使用全部資料，否則會洩露測試集資訊。