什么是独热编码，以及何时应将其用于机器学习模型？

独热编码将分类特征转换为数值向量，其中每个类别成为一个二进制列（0或1）。对于需要数值输入且缺乏处理文本或标签固有方法的机器学习算法而言，这是必不可少的。其主要应用是将标称分类数据（没有固有顺序的类别，如“红色”“蓝色”“绿色”或国家名称）转换为适合线性回归、神经网络和支持向量机等模型的格式。 核心原理是显式表示唯一类别的存在：对于每个特征值，创建一个新的二进制列。只有与实际值对应的列标记为1，其他所有列均为0。这可防止算法错误地推断不相关类别之间的顺序关系。实际上，它使模型能够基于类别成员资格学习模式。然而，它会显著增加数据集的维度（维度灾难），尤其是对于高基数特征，这会影响计算，可能需要使用降维技术。 在构建对输入尺度敏感的模型（如回归、基于距离的算法）时，对标称分类特征使用独热编码。步骤：识别分类特征；确保类别是标称的；使用`scikit-learn`的`OneHotEncoder`等库进行转换。典型场景：对产品类型、用户ID（如果数量较少）、文本标签进行编码。它通过使模型能够有效利用分类信息来提供价值。然而，对于高基数特征，考虑嵌入或目标编码等替代方案，以避免维度过高。其业务价值在于通过正确表示分类输入来提高模型准确性。