二分类任务中数值型0/1目标是否需要做编码预处理？

结论：常规建模场景下完全可以省略目标变量的编码步骤，不需要额外做标签编码、独热编码类操作。

具体原因和注意事项如下：

• 目前主流的二分类建模工具（包括scikit-learn、XGBoost、LightGBM、主流深度学习框架的分类API），对取值为0、1的数值型目标变量是原生兼容的。算法内部默认将0识别为负类、1识别为正类，完全匹配二分类任务的标签输入规范，额外编码属于无意义的冗余操作。
• 仅在极少数特殊场景下需要对标签做简单调整，不属于常规编码范畴：
  • 如果你的0/1标签是浮点型存储（比如值为0.0、1.0），部分要求标签为整型的接口会抛出类型错误，此时只需要用astype(int)做类型转换即可，不需要做编码映射。
  • 如果你使用的是要求标签取值为{-1,1}的特殊SVM、感知机实现，只需要做简单的数值映射即可，这类场景在常规二分类任务中极少遇到。

注意：绝对不要对0/1取值的二分类目标变量做独热编码，编码后生成的二维数组不符合绝大多数单输出二分类接口的输入维度要求，会直接引发训练报错。

内容的提问来源于stack exchange，提问作者sena