Scikit-learn 本身不提供 TargetEncoder——它直到 v1.3 才在 sklearn.preprocessing 中正式加入，且默认不支持平滑和类别泄露防护；直接用老版本或忽略参数易致过拟合或训练/预测不一致。
Scikit-learn 本身不提供 TargetEncoder —— 它直到 v1.3 才在 sklearn.preprocessing 中正式加入，且默认不支持平滑（smoothing）和类别泄露防护；直接用老版本或没注意参数，很容易导致过拟合或训练/预测不一致。
为什么不能直接用 TargetEncoder 做交叉验证？
目标编码本质是用标签均值替代类别，天然存在“用未来信息预测过去”的泄露风险。若在 CV 外全局拟合 TargetEncoder，验证集的编码值就掺入了自身标签，评估结果会过于乐观。
- 必须在每折训练集内独立拟合
TargetEncoder，再用该拟合器转换验证集 -
sklearn的TargetEncoder支持cv参数（如cv="prefit"），但更稳妥的是配合ColumnTransformer+make_column_transformer，或手动在cross_val_score的scoring外围做分折编码 - 若用
pipeline，确保TargetEncoder在fit时只看到当前 fold 的 X_train / y_train
TargetEncoder 的 smooth 参数到底怎么影响结果？
平滑用于缓解低频类别的噪声：对出现次数少的类别，把其目标均值向全局均值收缩。公式近似为 (sum(y) + smooth * global_mean) / (count + smooth)。不设平滑，小样本类别的编码值方差极大，模型容易学偏。
- 默认
smooth=10.0，但实际应根据训练集大小调整：数据量大（>10万）可设 20–50；小数据（ -
smooth=0等价于朴素均值编码，等同于关掉正则，极易过拟合 - 注意：平滑只在
fit阶段计算，transform时复用已算好的编码值，不重新平滑
如何安全处理未见过的新类别（test 中的 unseen label）？
TargetEncoder 默认对新类别返回 np.nan，这会导致后续模型报错（如 XGBoost 不接受 nan，LogisticRegression 会直接崩溃）。
- 务必设置
handle_unknown="value"（而非默认的"error"） - 同时指定
unknown_value：推荐设为全局目标均值（y_train.mean()），而不是 0 或中位数——它最符合贝叶斯先验直觉 - 若用
pd.get_dummies后补fillna，不如在编码阶段就统一处理，避免 pipeline 断裂
真正麻烦的不是写几行 TargetEncoder 调用，而是确认每一处 fit/transform 的 scope 是否隔离、平滑是否合理、未知值是否被显式兜底——漏掉任意一环，线上 inference 就可能静默出错。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
