TensorFlow/Keras categorical encoding：两类为何需4个dummy variables而非2个

• 首先明确结论：教程中出现的4个dummy变量输出，不是为cat、dog两个类别分配了双倍维度，而是TensorFlow预处理层的维度计数从「未登录类别占位位」开始累加的结果。

4个维度的计算逻辑 #

教程示例中的编码层，特意设置了num_oov_indices=2参数——也就是预留2个固定位置，专门映射模型部署时遇到的、训练集里没有收录过的新类别。
总维度的计算非常直观：2个OOV占位位 + 训练集词汇表中收录的2个实际类别（cat、dog）= 刚好4个输出维度。

和传统编码工具的设计差异 #

• 如果使用Sklearn、pandas自带的独热编码工具，默认不会为未登录类别预留空间：只要训练集里识别到2个类别，输出就是2个维度，遇到训练时没见过的类别会直接触发报错。
• TensorFlow的设计优先保障生产部署的稳定性：预留固定数量的OOV占位位，可以让模型输出的张量shape永远保持固定，不会因为线上输入的类别变化，就出现维度不匹配的推理错误。

如何得到预期的2维度输出 #

如果不需要预留未登录类别占位位，可以直接把编码层的num_oov_indices参数设为0，输出维度会严格和传入的类别列表长度匹配：

# 配置示例：仅收录cat、dog两个类别，无OOV占位
cat_dog_encoder = tf.keras.layers.StringLookup(
    vocabulary=["cat", "dog"],
    num_oov_indices=0,
    output_mode="one_hot"
)
# 输入cat返回[1, 0]，输入dog返回[0, 1]，输出维度为2
cat_dog_encoder(tf.constant(["cat"]))

容易被忽略的教程细节 #

• 很多人看教程时会跳过层初始化的参数设置，只盯着词汇表里的2个类别值，默认输出维度就应该和类别数完全相等。实际上教程里的示例是特意演示「多OOV位」的配置效果，不是生产环境的通用默认值。
• 就算使用层的默认参数（num_oov_indices=1），对2个实际类别的列做独热编码，输出维度也会是3个（1个OOV位 + 2个类别位），不会刚好等于实际类别数。

内容的提问来源于stack exchange，提问作者Levin