针对性别这类二分类特征，是否真的需要进行独热编码？

结论：绝大多数情况下不需要，具体看模型和场景

• 对逻辑回归、SVM这类依赖线性假设或距离计算的模型来说
  直接用0-1编码（比如男=0，女=1）完全够用。二分类的两个类别数值距离是对称的，不存在多分类里“数值隐含顺序”的坑（比如多分类里把0、1、2对应低/中/高，但性别没有先后顺序）。而且单特征比独热后的两个特征更简洁，还能避免多重共线性问题。

• 对决策树、随机森林、XGBoost这类树模型来说
  0-1编码和独热编码的表现几乎没差别。树模型靠特征分裂做决策，对编码方式不敏感。独热虽然会生成两个特征，但树模型会自动筛选有用的分裂点，只是多了点微不足道的计算量。

• 少数特殊场景可以考虑独热
  比如某些深度学习模型的嵌入层要求输入是one-hot格式，或者你需要区分“未知性别”和已知类别——比如用NaN表示未知，0/1表示男/女，这时候独热拆成[男,女]两个特征，未知时两个特征都为0，能更清晰地表达缺失信息。

举个实际例子：用逻辑回归做性别对用户购买意愿的预测，输入0/1的性别特征，模型学到的系数直接对应性别对结果的影响；如果独热成两个特征，模型会自动忽略其中一个（因为两个特征线性相关），最终效果和单特征完全一致，反而多了冗余。

总结一下：二分类特征优先用0-1编码，除非模型有硬性要求或者要处理特殊数据情况，否则没必要搞独热编码。

内容的提问来源于stack exchange，提问作者happy dog