替代One-Hot Encoding：游戏图形预设的自定义Ordinal Encoding方案选择

背景与问题 #

现有游戏数据集的图形预设如下：

Game A graphics presets are: Low, Medium, High, Ultra
Game B graphics presets are: Minimum, Balanced, Maximum
Game C graphics presets are: Ultra

已知约束：

• One-hot编码无法准确定位特征值，易造成类别混淆
• 必须采用全局模型（global model），不能拆分单游戏模型（Game A与Game B的特征缩放需求不同）
• 图形预设属于有序分类特征，需保留类别间的语义顺序与相对差距

现在需要从以下两种自定义序数编码方案中选择：

方案一 #

Game A: 1, 2, 3, 4
Game B: 1, 2.5, 4
Game C: 2.5

方案二 #

Game A: 1, 2, 3, 4
Game B: 1, 2, 3
Game C: 1

方案分析与结论 #

核心原则：有序分类特征需对齐跨游戏语义 #

全局模型的关键是让不同游戏的同语义档位拥有一致（或对应）的数值表示，这样模型才能正确学习到“最低画质”“中等画质”“最高画质”的全局特征。

方案二的致命问题

方案二给每个游戏独立分配连续整数序数，完全忽略了跨游戏的语义等价性：

• Game A的最高档Ultra是4，Game B的最高档Maximum是3，Game C的Ultra居然是1——这会让全局模型误以为Game C的Ultra是最低画质，完全违背了有序特征的语义逻辑，直接导致模型学习偏差。

方案一的合理性

方案一通过数值对齐了跨游戏的语义对应关系：

• 最低档：Game A的Low=1，Game B的Minimum=1，保持一致
• 最高档：Game A的Ultra=4，Game B的Maximum=4，明确了两者是同一级别的高画质
• 中间档：Game B的Balanced=2.5，刚好介于Game A的Medium(2)和High(3)之间，符合“均衡档位”的语义定位
• （注：方案一中Game C的Ultra编码为2.5看起来是笔误，合理的编码应该是4，对应全局最高档）

综上，方案一是正确的选择，它能让全局模型准确识别不同游戏间画质档位的相对顺序与语义等价性，而方案二会破坏全局特征一致性，导致模型失效。

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