Binary Encoding是一種用於機器學習中分類變數編碼的技術，它先將每個類別標籤轉換為整數，然後將這些整數轉換成二進位（binary）數字，最後將二進位的每一位拆分成獨立的欄位。例如，有8個類別時，普通的One-Hot Encoding需要8欄位，而Binary Encoding只需3欄，因為2^3=8，大幅減少維度，節省空間且避免資料稀疏。
這種方法適用於高基數（high cardinality）分類變數，能減輕One-Hot Encoding帶來的維度爆炸問題，同時克服Label Encoding可能導致的虛假序列關係。Binary Encoding既保留了類別的獨特性，也提升了編碼緊湊度，對樹模型等常見機器學習模型表現良好。
缺點是轉換後的數據可讀性較差，且部分模型（如線性模型）可能無法有效利用二進位分割特性。Python中通常使用category_encoders套件實現Binary Encoding。總結：
- 先使用Label Encoding將類別轉為整數。 將整數轉為二進位表示。 將二進位的每一位拆分成獨立欄位。 特別適合高基數類別變數，維度縮減明顯。
