preprocessing.LabelEncoder()
标签编码的限制标签编码将数据转换为机器可读的形式，但它会为每类数据分配一个唯一的编号(从0开始)。这可能导致在数据集的训练中产生优先问题。具有较高值的标签可以被认为具有比具有较低值的标签更高的优先级。
为了解决这个问题，我们将使用一种热编码技术。
一种热门编码是一种用于在机器学习模型中将类别变量表示为数值的技术。使用一种热编码的优势包括：
它允许在需要数字输入的模型中使用分类变量。
它可以为模型提供更多关于分类变量的信息，从而提高模型的性能。
它可以帮助避免当分类变量具有自然顺序(例如，“小”、“中”、“大”)时可能发生的顺序性问题。
使用一种热编码的缺点包括：
这可能会增加维度，因为会为变量中的每个类别创建单独的列。这可能会使模型变得更复杂，训练起来也更慢。
这可能会导致数据稀疏，因为在大多数单热点编码列中，大多数观测值都将为0。
这可能会导致过度拟合，特别是当变量中有许多类别且样本量相对较小时。
一次热编码是一种处理分类数据的强大技术，但它会导致维度增加、稀疏性和过度拟合。谨慎使用它很重要，并考虑其他方法，如序号编码或二进制编码。
