这可能是一个幼稚的问题，但我想知道为什么我们（或者可能只是我）在将分类类标签提供给软件包中的分类器（如 Python 的 scikit-learn ML 库）之前将它们转换为整数？
让我们以简单的 Iris 数据集为例，为什么我们要将类别标签从“Setosa”、“Virginica”和“Versicolor”转换为例如 0、1 和 2？
当我在协作开展一个项目时出现了这个问题，而我的一位同事没有使用标签编码器将类标签从字符串转换为整数。它起作用了（她正在使用 scikit-learn）；我直觉地“纠正”了它（插入了一个标签编码器），她问我为什么：嗯，除了“大多数机器学习算法以这种方式工作得更好”之外，我真的没有很好的答案（这是我前一段时间在某处读过的东西） .
现在我想了想：它背后的理由是什么？由于在典型的分类任务中，类标签是名义变量，而不是序数变量，它是计算效率（存储和处理更少的“数据”）吗？
Scikit learn 只处理我相信的实数。所以你需要做一些类似热编码的事情，其中 n 个数字维度用于表示类别中的成员资格。如果你只是传入字符串，它们会以不可预知的方式转换为浮点数。
某些方法（如 svm）需要浮点数是有数学原因的。即它们仅在实数空间中定义。在单个方法中将 3 个类别表示为值 1,2,3 可能有效，但与一种热编码相比，它也可能产生次优性能，因为拆分 (1,3) 与 (2) 很难接受，除非该方法可以捕捉非常非线性的行为。
可以使其他方法（例如随机森林）直接作用于分类值。即在决策学习期间，您可以将潜在的拆分建议为不同的类别组合。对于这样的方法，使用整数表示类别通常很方便，因为整数数组比计算级别的字符串数组更易于使用。您还可以通过查看正在递增的 n 位整数的位值来生成所有可能的 n 类别组合，这可以更快且内存效率更高，然后在 n 浮点数上搜索拆分。
这只是实用的问题。对于二进制分类，最简单的方法是使用布尔值，对于多类，它是整数。大多数后端库都是用静态类型语言 (C/C++) 编写的，并且通常使用可以在不丢失信息的情况下完成工作的最基本类型。
对于二进制分类，您通常使用 0/1 或 -1/1。由于对称性，哪个标签对应于哪个类并不重要。对于多类分类，例如对于 3 类分类，您不能使用 0、1 和 2，因为这种标记方式意味着一个顺序（虽然我不熟悉 Iris 数据集）并且不能用于分类数据。对分类标签进行编码的一种方法是使用 (1 0 0)、(0 1 0) 和 (0 0 1)。您可以将这些标签视为 3-D 中等边三角形的顶点。因此，没有暗示顺序。但是，如果您使用的是二元分类器（例如 SVM）而不是真正的多类分类器，我们将无法使用此标签。相反，训练了多个二元分类器，并且它们的结果以某种方式相互结合。例如，如果你有 N 个类别，你可以训练分类器，并且对于每一对，您使用标签 0/1 来指示您正在相互训练的两个类（N 个）。在测试时，所有分类器之间的多数投票可用于进行预测。
如果您使用的是接口，它可能会在与分类器交互之前转换您的 0/1/2 标签，具体取决于分类器是什么。
一些算法只能处理数字输入，这可能是主要原因，尽管存储是其他原因。
当然，有些算法可以隐式进行转换。