对于有序特征，使用标签编码是有意义的。但是对于分类特征，我们使用独热编码。但这些是输入特征的惯例。对于输出变量，如果输出标签是分类性的，是否有必要使用独热编码？还是我也可以使用标签编码？哪一种更可取？
我正在训练一个有120个类别的水果分类器。我使用在ImageNet上预训练的ResNet50模型作为特征提取器，并使用这些特征来训练一个逻辑回归分类器（迁移学习）。由于有120个类别，标签编码的标签将从0到119。如果保持它们为标签编码来训练模型，这样做可以吗？我问这个问题是因为在以下sklearn的文档中，他们允许我这样做：
sklearn.preprocessing.LabelEncoder
在这里他们说：
…”这个转换器应该用于编码目标值，即y，而不是输入X。”
但我感到困惑，为什么这样做是可以的，因为在标签编码中，每个输出变量不会像使用独热编码那样获得相同的优先级。
回答：
对于输出变量，如果输出标签是分类性的，是否有必要使用独热编码？
不，这不是必要的，在你的情况下也不会有影响。另一方面，并不是所有算法都能以非独热编码的方式返回数据：
RandomForest可以使用标签编码进行分类，因为它只是基于内部的类似if的条件（简化）返回N个目标值中的一个。- ResNet50，作为一个神经网络，将返回矩阵
[samples, labels]，带有logits（未归一化的概率）或概率，以此计算损失。它不能返回像[0, 2, 18, 25]（对于4个样本）这样的值，因为像argmax这样的操作会破坏梯度（它是沿着列取的，以在计算像准确率这样的指标时获得标签的索引，但我不会认为这是网络的一部分）。
尽管如此，许多框架允许你将标签编码为有序的，因为这样更节省内存。你可以查看PyTorch的 torch.nn.CrossEntropyLoss，它接受以有序值保存的目标。
正如评论中指出的，这两种都是标签的编码方式，并且可以根据需要轻松转换。
