横向LabelEncoder

一、组件说明

Homo Label Encoder是一种用于将离散分类变量转换为数值变量的编码方法，适用于横向联邦场景。它将每个离散变量的取值映射到一个整数，从而将离散变量转换为连续变量。

例如，一个有三个取值的离散变量“颜色”（红色、绿色、蓝色），使用Label Encoder可以将其转换为整数变量（0、1、2）。

在Label Encoder中，对于每个离散变量，将其所有取值按照字典序排序，然后将每个取值映射到一个整数。Label Encoder的优点是简单易用，能够处理大部分的离散变量，且不会增加数据维度，适用于大部分的机器学习模型。

但是，Label Encoder的缺点是无法处理离散变量之间的大小关系，仅仅是将离散变量转换为连续变量，可能会导致模型误判和偏差。另外，如果离散变量的取值比较多，则Label Encoder可能会导致整数编码过大或过小，从而影响模型预测的精度和泛化能力。因此在实际应用中需要根据数据集大小和模型的性能需求进行权衡和选择。

组件截图

二、参数说明

三、有配置文件可读

在上游有配置文件可以选择的时候，可以使用配置文件进行【HomoLabel Encoder】。填充的字段、映射方式和配置文件相同，无需重新选择。举例：在训练过程中，训练数据的【HomoLabel Encoder】进行编码后，“颜色”（红色、绿色、蓝色）转换为整数变量（0、1、2）。希望用训练数据的缩放比例来填充至预测数据中，此时可以将训练时使用的配置文件，通过【读配置文件】接入到【Homo Label Encoder】的输入桩中，以此来保证训练数据和预测数据的一致性，映射关系依然为红色、绿色、蓝色）-> （0、1、2）。连接关系如下图所示：