---
title: "序數特徵（Ordinal Feature）"
slug: ordinal-feature
language: zh-TW
source: https://aiterms.tw/terms/ordinal-feature
updated_at: 2026-07-04
tags: [特徵工程, 資料處理, 機器學習, 模型訓練, source:ipas]
ipas_term: true
---

# 序數特徵（Ordinal Feature）

一種具有明確順序或等級關係，但數值間距不一定均等的類別型資料。

## 完整說明

序數特徵是一種資料類型，其值具有明確的順序或等級關係，例如「低、中、高」或「小、中、大」，但這些等級之間的數值間距或差異可能不具備數學意義。它在機器學習中需要特別處理，以正確捕捉其內在順序性。常見應用包括問卷調查、教育程度分類與產品滿意度評級。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 序數特徵應如何編碼以用於機器學習模型？

序數特徵的編碼方式應保留其順序性。最常見且推薦的方法是**標籤編碼（Label Encoding）**，將有序類別映射到整數，如「低=1, 中=2, 高=3」。這對於樹模型（如決策樹、隨機森林）通常效果良好，因為它們能基於閾值進行分裂。對於線性模型或基於距離的模型（如SVM、K-NN、神經網路），直接的標籤編碼可能引入錯誤的數值間距假設，此時可考慮**自定義映射**，賦予更合理的數值，或將其視為名目特徵進行獨熱編碼，但會丟失順序信息並增加維度。選擇最佳方法需考量模型類型與領域知識。

### 序數特徵與名目特徵有何不同？

序數特徵與名目特徵的主要區別在於其值的**順序關係**。名目特徵（Nominal Feature）僅用於區分不同的類別，這些類別之間沒有內在的順序或等級，例如顏色（紅、綠、藍）、國家（美國、日本、德國）。我們不能說紅色比綠色「更好」或「更大」。而序數特徵（Ordinal Feature）的類別之間則存在明確的順序或等級關係，例如教育程度（小學、中學、大學），我們可以說大學學歷高於中學。儘管有順序，但序數特徵的數值間距不一定有意義。

### 樹模型處理序數特徵的方式與線性模型有何不同？

是的，樹模型（如決策樹、隨機森林、梯度提升樹）處理序數特徵的方式與線性模型顯著不同。當序數特徵被標籤編碼為數值時，樹模型在分裂節點時會尋找最佳的閾值來劃分數據，它們能自然地利用這些數值之間的順序關係，而不會假設數值間距是等距的。例如，對於「低、中、高」編碼為1, 2, 3，樹模型可以基於「特徵值 <= 2」來分裂。相反，線性模型會將這些數值視為連續的，並假設它們之間的間距是等距且有意義的，這可能導致不準確的權重學習。因此，樹模型對標籤編碼的序數特徵通常更具魯棒性。

---

來源：https://aiterms.tw/terms/ordinal-feature
快查頁：https://aiterms.tw/terms/ordinal-feature
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-ordinal-feature