对特征编码有助于：
- 处理无法量化的数据
- 便于得到更优模型
- 以更细粒度的处理我们的数据
博主在学习中觉得，特征编码既是一种优势，又是一种束缚
- 优势在于：同样是年龄这个维度，如果是在研究奶粉的问题中，我们拆解问题的粒度需要到：0-1个月，1-3个月，3-6个月，6-12个月…，但是研究青少年焦虑的问题时，就需要另一种编码方法，因此手动进行编码可以构造更细粒度的特征。
- 束缚在于：编码其实是构造特征的一种，因此编码会放大某个维度的粒度，其他即便很重要的特征也会被掩盖光芒。尤其当数据维度太大时（常见于推荐系统维度灾难），不得不会对所有离散数据进行再次的整合与编码，这时影响会更加严重。
后续，我们参考这样的表格来进行编码学习：
上图将编码的类型分为4类：
- 无监督，输出1维
- 无监督，输出多维
- 有监督，输出编码唯一
- 有监督，输出编码不唯一
无监督与有监督的区别是：
- 无监督是对自己的数据，无需参考其他特征
- 有监督需要参考其他维度（通常参考需要预测的那个维度的数据），对自己进行编码
输出编码是否唯一的区别是：
- 唯一：编码过程中不涉及随机性
- 不唯一：编码过程存在随机采样的情况，如果不设置随机种子，编码结果不唯一
在很多机器学习模型中，有很多模型都是先编码再训练的，在后续拓展时会简要介绍