Label Encoding是機器學習中用來將非數值型的類別資料（categorical data）轉換成數值型資料的一種基本技術。它的原理是將每個類別標籤映射成一個獨特的整數值，使得機器學習算法能夠處理這些資料。例如，顏色"red"、"blue"、"green"可分別映射成0、1、2。
Label Encoding的步驟包括：- 識別非數值型的類別變數。 對每個不同類別分配一個唯一的數值標籤，通常從0或1開始編號。 用這些數值標籤替換原有類別資料。
Label Encoding適用於有序類別（ordinal data），如教育程度（高中、大學、碩士）因為這些標籤間有自然順序，但對無序類別（nominal data）使用時可能引入錯誤的順序關係，影響模型效果，這時需考慮用One-Hot Encoding。
例如Python中使用sklearn的LabelEncoder簡單示範：
python
from sklearn.preprocessing
import LabelEncoder colors = ['red', 'blue', 'green', 'red', 'green']
encoder = LabelEncoder()
encoded_colors = encoder.fit_transform(colors)
print(encoded_colors) # 輸出：[2 0 1 2 1]
Label Encoding節省記憶體，適合樹模型等不介意標籤順序的演算法，但線性回歸、神經網絡等數值敏感模型則須謹慎使用。
