我知道作为特征，序数数据可以分配任意数字，OneHotEncoding 可以用于分类数据。但是当这两种类型的数据是要预测的特征时，应该如何处理它们，我有点困惑。例如在 scikitlearn 的 iris 数据集中：
iris = datasets.load_iris()
X = iris.data
y = iris.target
虽然 y 代表三种类型的花，这是一个分类数据（如果我没有错？！），它被编码为 0,1,2 的序数值（type=int32）。我的数据集还包括 3 个独立的类别（'sick'、'carrier'、'healthy'），scikitlearn 将它们作为字符串接受，没有任何类型的编码。
我想知道保留它们是否正确，因为它们将由 scikitlearn 使用，或者需要像对 iris 数据集所做的类似编码？
您无需对标签进行编码。scikitlearn 会处理它。用于构建分类器的同一张表：
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(random_state=0).fit(X, y)
clf.predict(X[:2, :])
clf.predict_proba(X[:2, :])
clf.score(X, y)
我只是制作一个较小的表格并将标签从整数更改为字符串：
X1 = X[:5]
y1 = y[:5]
y1 = ['a', 'a', 'a','b', 'a']
clf = LogisticRegression(random_state=0).fit(X1, y1)
clf.predict(X1[:2, :])
clf.predict_proba(X1[:2, :])
clf.score(X1, y1)
一切都很好。
似乎在 ML 中，我们要么处理将由回归模型处理的连续数据，要么它们是由分类模型处理的分类数据。序数数据没有单独的类别。