Label Encoding 最常見的潛在風險是什麼？
原題
在進行資料前處理時，若使用 Label Encoding 將類別變數轉換為數字型態，下列何者為最常見的潛在風險？
白話
在資料前處理時，有一種方法叫 Label Encoding，它把類別資料（例如「北部」「中部」「南部」）直接換成數字（0、1、2）。
問你：這種做法最常碰到的潛在問題是什麼？
先自己選一個答案，再看完整解析。
一句話總結
Label Encoding 的最大風險是：把沒有順序的類別換成數字，讓模型誤以為類別之間有大小順序關係（虛假順序關係）。
情境
先感受問題：「顏色」被賦予了大小順序
嘉誠電商想用機器學習預測哪款手機殼最好賣。資料中有一欄「顏色」：
紅色、藍色、黑色、白色、金色
用 Label Encoding 轉換後變成：
紅色 → 0、藍色 → 1、黑色 → 2、白色 → 3、金色 → 4
現在問題來了：模型看到 0、1、2、3、4，會以為：
- 金色（4）> 白色（3）> 黑色（2）
- 黑色 = 藍色 × 2
- 紅色 + 藍色 ≈ 黑色
但這些顏色之間根本沒有大小關係！紅色跟藍色沒有誰比誰大，但數字 0 跟 1 有大小之分。模型就這樣被「騙了」，學到了一個本來不存在的規律。
舊方法
Label Encoding 用在無序類別上的五個踩坑點
- 線性模型誤讀順序：線性迴歸、邏輯迴歸把特徵值的大小當成「程度」，黑色（2）= 紅色（0）的兩倍，但顏色沒有這種意義。
- 距離型模型誤計算距離：KNN 計算歐氏距離時，「紅色（0）到金色（4）」的距離是 4，「紅色（0）到藍色（1）」的距離是 1，但兩對顏色其實距離一樣「遠」（都是不同顏色）。
- 樹模型相對安全，但仍可能有問題：決策樹會自動做分裂，對順序不太敏感，但若類別太多，還是可能被順序影響分裂方式。
- 難以解釋模型結果：如果模型說「顏色值越大銷量越好」，這個結論毫無意義，只是編碼的產物。
- 容易忽略的陷阱：開發者看到「成功轉成數字」就以為前處理完成，沒意識到已經引入了錯誤的假設。
新方法
無序類別要用 One-Hot Encoding，不用 Label Encoding
解決虛假順序問題的方法是 One-Hot Encoding（獨熱編碼）：把每個類別變成一個獨立的二元欄位。
紅色 → [1, 0, 0, 0, 0]
藍色 → [0, 1, 0, 0, 0]
黑色 → [0, 0, 1, 0, 0]
每個顏色都變成「有就是 1，沒有就是 0」的欄位，模型看不到任何大小關係。
Label Encoding 真正適合的場合：有順序的類別（Ordinal Data），例如「小、中、大」或「初級、中級、高級」，這些類別本來就有大小順序，Label Encoding 是正確選擇。
這就是選項 B 講的：會引入類別之間的虛假順序關係。
sklearn 的兩種編碼方式：
from sklearn.preprocessing import LabelEncoder, OneHotEncoder import numpy as np colors = np.array(['紅色', '藍色', '黑色', '白色']) # Label Encoding（適合有序類別） le = LabelEncoder() label_encoded = le.fit_transform(colors) # [2, 0, 1, 3]（依字母/漢字排序） # One-Hot Encoding（適合無序類別） ohe = OneHotEncoder(sparse_output=False) ohe_encoded = ohe.fit_transform(colors.reshape(-1, 1)) # [[0,0,1,0], [1,0,0,0], [0,1,0,0], [0,0,0,1]]
決策規則：
- 類別有自然順序（Ordinal）→ Label Encoding（或 Ordinal Encoding）
- 類別無順序（Nominal）→ One-Hot Encoding
- 類別數量很多（High Cardinality）→ Target Encoding 或 Embedding
One-Hot Encoding 的缺點：類別太多時，欄位數量暴增（例如城市有 1000 個，就會新增 1000 欄），造成維度爆炸（Curse of Dimensionality）。這時可用 Target Encoding（用目標變數的條件均值來編碼類別），在類別數量多時效果更好。
錯選項
為什麼其他選項是錯的
A無法處理缺值
字面在說什麼
Label Encoding 碰到缺值（NaN）就無法處理。
為什麼不對
缺值是所有編碼方式都可能碰到的問題，不是 Label Encoding 特有的限制。通常在編碼之前就先做缺值填補（imputation）。況且 sklearn 的 LabelEncoder 碰到 NaN 會拋出錯誤，但這是實作細節，不是 Label Encoding 方法本身的「最常見風險」。
誰會選錯
想到「前處理常見問題是缺值」的人。但題目問的是 Label Encoding 特有的風險，不是所有前處理方法共同的問題。
C無法擴展至新資料
字面在說什麼
訓練時的類別編碼，遇到新資料（新類別）就無法用。
為什麼不對
「遇到訓練集沒見過的新類別值無法處理」確實是 Label Encoding 的限制，但這不是「最常見的潛在風險」。這可以透過設定 handle_unknown 參數解決，也是 One-Hot Encoding 同樣會面對的問題。「引入虛假順序關係」比這個問題更根本、更常造成模型誤導。
誰會選錯
想到「訓練集和測試集類別不一致」這個實務困難的人。這個問題確實存在，但不是 Label Encoding 最核心的缺點。
D記憶體佔用過高
字面在說什麼
Label Encoding 會讓記憶體暴增。
為什麼不對
Label Encoding 把類別換成一個整數，記憶體用量比原本的字串更少，不是更多。記憶體問題是 One-Hot Encoding 的缺點（類別多的時候會生出大量新欄位），不是 Label Encoding 的問題。
誰會選錯
把 One-Hot Encoding 的缺點（高維度、記憶體大）誤記成 Label Encoding 的缺點的人。兩種方法的問題恰好相反。
變形題
同個考點下次怎麼變形
教育程度有從低到高的順序，應該怎麼編碼？
答案
適合用 Label Encoding（或 Ordinal Encoding）。因為教育程度有自然的順序關係（小學 < 國中 < 高中 < 大學），這個順序是真實存在的，讓模型學到這個大小關係是正確的，不是虛假的。
One-Hot 是解決 Label Encoding 順序問題的方案，但它自己有什麼缺點？
答案
高基數（High Cardinality）問題：類別數很多時（例如城市、郵遞區號），One-Hot Encoding 會產生大量新欄位（1000 個城市 = 1000 個新欄位），引發維度爆炸，增加模型訓練時間和記憶體，也可能導致過擬合。
決策樹不是靠大小判斷，應該不受順序影響？
答案
相對免疫，但不是完全免疫。決策樹的分裂是找最佳切點，對於無序類別，它會用類似「顏色值 ≤ 1.5」來分裂，實際上仍把順序資訊用進去了。對於類別數不多的情況影響有限，但嚴格來說仍可能受到虛假順序的影響。
類別太多用 One-Hot 不行，那還有什麼方案？
答案
Target Encoding 把每個類別替換成「該類別對應目標變數的平均值」。例如「紅色手機殼的平均銷量是 200 件」，就把紅色編碼成 200。這樣既能保留類別資訊，又不增加欄位數量。適合類別數多（High Cardinality）的情況，但要注意訓練集洩漏問題（需用交叉驗證方式計算）。
Label Encoding 用在特徵（X）上有問題，那用在預測目標（y）上呢？
答案
適合。分類問題的目標變數（例如「貓/狗/鳥」→ 0/1/2）用 Label Encoding 沒問題，因為模型的任務是預測哪個類別，不是計算類別的大小關係。sklearn 的多分類模型（如 RandomForestClassifier）接受整數標籤。
延伸
想再往下看，這 5 個
- 標籤編碼（Label Encoding）
本題核心考點，將類別變數轉為整數的編碼方法，適合有序類別。 - 獨熱編碼（One-Hot Encoding）
解決 Label Encoding 虛假順序問題的主要替代方案，適合無序類別。 - 特徵工程（Feature Engineering）
類別編碼是特徵工程的核心步驟，決定如何把原始類別轉成模型可用的數值。 - 資料前處理（Data Preprocessing）
編碼屬於資料前處理的一部分，與缺值處理、標準化並列為三大前處理任務。 - 降維處理（Dimensionality Reduction）
One-Hot Encoding 造成維度爆炸後，降維方法可以壓縮特徵空間、保留主要資訊。