R中为什么优先使用dummyVars+predict而非model.matrix做因子独热编码？

二者表面输出结构类似，但默认行为、工程适配性存在明显差异，科研人员优先使用dummyVars主要有以下几个核心原因：

• 默认支持全水平哑变量编码，无需额外调整参数
  基础包的model.matrix默认会为了避免线性共线性，自动删除每个因子的第一个水平作为参照组，同时默认生成1列截距项。如果是主成分分析、聚类等不需要参照组的场景，用model.matrix需要额外修改公式（比如加-1去掉截距）、手动调整contrasts参数才能输出全水平编码。而caret包的dummyVars默认就会输出所有因子水平的编码，无需额外配置，更适配无监督模型的输入要求。
  以示例数据为例，二者输出维度差异非常明显：

  # model.matrix默认输出
  dim(model.matrix(~ day + time, data = when))
  # 输出 [1] 9 8 （1列截距+6个day水平+2个time水平，缺省了day和time的第一个水平）
  
  # dummyVars默认输出
  library(caret)
  mainEffects <- dummyVars(~ day + time, data = when)
  dim(predict(mainEffects, when))
  # 输出 [1] 9 10 （7个day水平+3个time水平，保留所有因子水平，无截距）
  

• 列名格式更规范，可读性更强
  dummyVars生成的哑变量列统一采用「因子名.水平名」的格式，比如day.Mon、time.morning，可以直接从列名判断对应的原始因子和取值，后续特征解读、筛选时不需要额外处理。而model.matrix生成的列名会直接拼接因子名和水平名，比如dayTue、timenight，部分复杂场景下还会出现特殊符号，处理成本更高。
• 天然适配训练-测试集的特征对齐需求
  dummyVars会先基于训练集拟合编码器的结构，后续对测试集调用predict方法时，哪怕测试集缺少部分训练集中出现过的因子水平，也会自动保留对应列并填充为0，确保训练集和测试集的特征维度完全一致，完美适配机器学习的工作流。如果使用model.matrix，需要分别对训练集、测试集编码后手动做列对齐，出现缺失水平时还要手动补0，额外编码成本很高。
• 和caret生态的兼容性更好
  大多数做传统机器学习的科研人员会使用caret包完成数据拆分、交叉验证、模型训练的全流程，dummyVars作为caret官方提供的编码工具，和整个生态的参数传递、流程适配性更强，不需要额外做格式转换。

内容的提问来源于stack exchange，提问作者Minh Ho