Python中XGBoost启用enable_categorical=True时采用何种编码方式？

当你在代码里设置enable_categorical=True时，XGBoost采用的不是独热编码、目标编码、标签编码中的任何一种，也不会“智能选择”这些传统编码方式——它用的是自身内置的类别特征最优分裂算法，直接对类别特征进行原生处理。

具体来说：

• 独热编码会把每个类别转成二进制特征，容易造成维度爆炸，XGBoost这里完全不这么做；
• 标签编码给类别分配连续数字，会强行引入无意义的顺序关系，XGBoost也不会用这种方式；
• 目标编码用目标变量的统计值（比如均值）替换类别，存在数据泄露风险，XGBoost同样不依赖这种编码逻辑；

启用enable_categorical=True后，XGBoost会直接识别数据中的类别型特征（比如pandas的Categorical类型列），在树节点分裂时，自动枚举类别特征的所有可能分组方式（把类别分成两个子集），找到能让目标函数（比如你代码里的logloss）下降最多的分裂点。整个过程不需要提前把类别转成数值，是基于类别对预测目标的实际关联来做最优分裂的。

内容的提问来源于stack exchange，提问作者Lorenzo Boletti