PyCaret分类变量独热编码异常：分类列被错误归一化问题求助

你的问题核心是PyCaret默认会根据分类变量的基数自动选择编码方式（基数低用独热编码，基数高用标签编码），而标签编码后的结果会被当作数值列参与归一化。要强制所有指定的分类变量使用独热编码并避免被归一化，按以下步骤修改代码：

• 在setup中显式指定encoding_method='onehot'，强制对所有分类变量执行独热编码，替代默认的自动编码逻辑。
• 确保normalize参数明确设置（如果不需要归一化数值列可以设为False，如果需要则保持True，此时仅会对你指定的numeric_features列进行归一化，独热编码后的二进制列不会被处理）。

修改后的代码如下：

exp_clf01 = setup(
    data=dataset,
    target='income >50K',
    session_id=123,
    numeric_features=['age','education-num','capital-gain','capital-loss','hours-per-week'],
    categorical_features=['workclass','education','marital-status','occupation','relationship','race','sex','native-country'],
    encoding_method='onehot',  # 强制独热编码
    normalize=True  # 可选，根据需求设置，仅对numeric_features生效
)

执行后再查看df_transformed = get_config("X_train")，所有指定的分类变量都会被转换为独热编码的二进制列，不会出现归一化后的数值形式。

补充说明：如果部分分类变量基数极高（比如native-country），独热编码会生成大量特征，可能影响模型效率。这种情况下可以考虑对高基数变量使用其他编码方式（如目标编码），但如果你的需求就是全独热编码，上述设置即可解决问题。

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