---
title: "標籤編碼（Label Encoding）"
slug: label-encoding
language: zh-TW
source: https://aiterms.tw/terms/label-encoding
updated_at: 2026-04-29
tags: [資料處理, 特徵工程, 機器學習]
ipas_term: false
---

# 標籤編碼（Label Encoding）

> **把顏色、地區、品牌這些類別轉成數字時，為什麼有時候會出事？**
>
> 你可以把它想成替每個類別發一個號碼，但號碼本身不代表大小或順序。
>
> 標籤編碼是將類別型資料轉換為整數，以便機器學習模型處理，但需注意可能產生不必要的順序關係
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **One-Hot Encoding**
> Label Encoding 是一欄變一個數字，One-Hot 是一個類別變一欄。
>
> **Ordinal Encoding**
> Ordinal Encoding 真的保留順序，Label Encoding 不一定有順序意義。

### 記住這句就好
> 把類別變整數，但別亂把數字當大小。

### 實際案例
> **樹模型前處理**
> 決策樹有時能接受編碼後的整數，但要確認模型不會把數字大小誤解成順序。
>
> **目標標籤轉換**
> 把 cat、dog、bird 變成 0、1、2，方便分類模型讀取。

### 算法與應用
> Label Encoding 適合目標變數或樹模型，但對線性模型和距離型模型要小心，因為數字大小可能被誤讀成排序。若類別之間沒有順序，One-Hot 常更安全。

### 情境判斷
> **Q1（直覺題）：** 如果你現在遇到一個 樹模型前處理 的場景，這個概念會是第一個想到的工具嗎？
> → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
>
> **Q2（判斷題）：** 如果你把它和 Ordinal Encoding 一起用，結果反而變不穩，通常該怎麼想？
> → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。

### 常見問題
> **Q：標籤編碼 最容易跟 One-Hot Encoding 混淆嗎？**
> Label Encoding 是一欄變一個數字，One-Hot 是一個類別變一欄。
>
> **Q：什麼情況會用到 標籤編碼？**
> 你可以把它想成替每個類別發一個號碼，但號碼本身不代表大小或順序。 實務上只要你要處理和這個概念相符的任務，就會用到它。
>
> **Q：初學者最常錯在哪裡？**
> Ordinal Encoding 真的保留順序，Label Encoding 不一定有順序意義。

### 相關術語
> - **獨熱編碼**：讀完這個後，接著看它，可以把 標籤編碼 放回更完整的系統脈絡裡。
> - **特徵工程**：讀完這個後，接著看它，可以把 標籤編碼 放回更完整的系統脈絡裡。
> - **監督式學習**：讀完這個後，接著看它，可以把 標籤編碼 放回更完整的系統脈絡裡。
> - **機器學習**：讀完這個後，接著看它，可以把 標籤編碼 放回更完整的系統脈絡裡。

---

來源：https://aiterms.tw/terms/label-encoding
快查頁：https://aiterms.tw/terms/label-encoding
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-label-encoding