在《定量變量和定性變量的轉換（Transform of Quantitative & Qualitative Variables）》一文中，我們可以看到虛擬變量（Dummy Variable）與獨熱編碼（ One Hot Encoding）非常相似，其不同之處在於：在虛擬編碼方案中，當特征具有 m 個不同類別標簽時，我們將得到 m-1 個二進制特征，作為基准的特征被完全忽略；而在獨熱編碼方案中，我們將得到 m 個二進制特征。
可以看到，獨熱編碼（ One Hot Encoding）比虛擬變量（Dummy Variable）多生成了一個變量，這對模型有什么影響呢？之前在《虛擬變量陷阱（Dummy Variable Trap）》一文中，我們闡述了使用獨熱編碼會導致共線性問題，也就是自變量之間存在高度相關關系，從而使模型參數估計不准確。（另外，獨熱編碼的截距表示均值，回歸系數是與均值之間的差距；而虛擬變量的截距是參照類的值，回歸系數表示與參照類的差距。）因此，如果線性模型有截距項，那么請使用虛擬變量；如果線性模型無截距項，那么使用獨熱編碼。此外，如果線性模型有截距項，但在加了正則化之后，也可以使用獨熱編碼，因為這相當於約束了 w 的解的空間。
（注：為了模型穩定性的緣故，線性模型通常都是要有截距項的。）
除此之外，虛擬變量（Dummy Variable）與獨熱編碼（ One Hot Encoding）之間還有什么區別呢？1，如果有N個特征，已知前N-1個特征的特征值之后，第N個特征的特征值也就知道了，因此獨熱編碼有冗余，虛擬變量沒有冗余；2，獨熱編碼可以直接從激活狀態看出所對應的類別，而虛擬變量需要進行推論，因此獨熱編碼比較直觀，虛擬變量沒有那么直觀。
總結：如果使用正則化，那么推薦使用獨熱編碼，因為regularization能夠處理多余的自由度，使用正則化手段去約束參數，同時類別型變量的各個值的地位是對等的。如果不使用正則化，那么使用虛擬變量（這樣多余的自由度都被統攝到截距項intercept里去了）。
參考：https://www.cnblogs.com/lianyingteng/p/7792693.html