One-Hot Encoding 是一種在機器學習中將類別資料（Categorical Data）轉換成數值形式的常用方法。它的主要原理是為每一個類別創建一個新的二元（binary）向量欄位，該欄位在該類別出現時為1，其他類別欄位則為0。
具體說，假設有一個「顏色」特徵，包含紅色（Red）、綠色（Green）、藍色（Blue）三個類別，One-Hot Encoding會將此特徵轉換成三個欄位：Color_Red、Color_Green、Color_Blue。若資料中的顏色為「紅色」，則Color_Red為1，其他兩欄為0。
此方法的主要優點包括：- 避免類別間存在數值序列導致的誤解（例如數字標號顯示大小順序，模型可能會誤判）。 使機器學習模型可接受並有效利用類別形式的特徵。 保留各類別獨立性與非序關係。
缺點為：
- 可能導致特徵維度劇增（維度災難），尤其是類別數量多時。 產生稀疏矩陣，計算上可能較費資源。
One-Hot Encoding是處理無序類別資料的常見方法，廣泛用於預處理階段，讓機器學習模型能更好地學習與預測。
舉例說明：
這種轉換便於統計與算法處理。
