某銀行建立機器學習模型預測客戶的貸款違約風險。資料集中有一個「職業類別」欄位，包含「工程師、教師、業務、自由業」等類別。工程師計劃將此欄位進行編碼處理後直接輸入線性模型。下列哪一種編碼方式最可能導致模型錯誤解讀類別之間的關係？
答案 （D）
核心概念
Label Encoding 是把類別依序編成 0、1、2、3 這樣的整數。對決策樹這類只做「大於或小於某個切點」判斷的模型影響不大，但對線性模型是災難——線性模型會直接把這些數字當成有大小、有距離的連續值來運算，於是「業務(2)」變成「教師(1)」的兩倍、「自由業(3)減工程師(0)等於 3」，憑空製造出根本不存在的順序與間距關係。
答題技巧
快速判斷技巧：問「哪個編碼會讓模型誤解關係」時，答案幾乎都是 Label Encoding，而且題目一定會搭配「線性模型」或「距離型模型」。反過來問「該用哪個」時，答案通常是 One-Hot。
易錯陷阱：容易忘記模型類型會改變答案。同樣是 Label Encoding，用在決策樹上問題不大（樹只看切點），用在線性迴歸或 KNN 上就會出事。讀題時務必看清楚模型是什麼。