“AutoML，或称自动化机器学习，提供了多种方法来高效管理分类数据，这些方法简化了预处理和建模阶段。分类数据是指表示不同类别的变量，例如“颜色”（例如红色、蓝色、绿色）或“城市”（例如纽约、洛杉矶）。由于许多机器学习算法无法直接处理这种类型的数据，因此AutoML解决方案采用编码等技术将这些类别转换为模型可以理解的数值格式。
AutoML处理分类数据的常用方法之一是独热编码（one-hot encoding）。该技术为分类特征中的每个类别创建二进制列。例如，如果我们有一个关于“水果”的分类变量，其中有三个类别：苹果、香蕉和樱桃，独热编码将生成三列新列。数据集中每一行在对应类别的列中会有一个1，而在其他列中则为0。这使得机器学习算法能够清晰、直接地解释分类变量，而不会引入误导性的序数关系。
另一种方法是标签编码（label encoding），也就是为每个类别分配一个唯一的整数值。例如，苹果可能被编码为0，香蕉为1，樱桃为2。这种方法较为简单，但有时可能会导致问题，因为算法可能会错误地将数值视为序数数据。AutoML平台通常包括独热编码和标签编码的选项，并可能根据特定的数据集和算法自动选择最佳策略。此外，一些高级的AutoML工具能够通过目标编码（target encoding）等技术处理高基数分类数据，该技术用这些类别的目标变量均值替代类别，进一步提升模型性能。”