虛擬變量陷阱（Dummy Variable Trap）：指當原特征有m個類別時，如果將其轉換成m個虛擬變量，就會導致變量間出現完全共線性的情況。
假設我們有一個特征“性別”，包含男性和女性兩個類別，如果將此特征轉換為2個虛擬變量，就是：男x1=[1,0]，女x2=[0,1]，意思就是：變量x1，當性別為男時，x1=1，否則x1=0；變量x2，當性別為女時，x2=1，否則x2=0。這樣，目標y=w1x1+w2x2+b。因為x1+x2=1，因此，變量x1和變量x2之間存在線性關系，同時使用這兩個變量將會導致共線性問題，使得模型參數無法估計。
解決的辦法是：把目標y變成y=w1(x1+x2)+(w2-w1)x2+b=(w2-w1)x2+w1+b，意思就是把其中一個變量作為基准（這里是把“男”作為基准），將其從目標方程式中刪去，這樣只通過一個變量x2就能推導出所有信息，x2=1就表示性別為女，x2=0則表示性別為男。
需要注意的是，針對二元定性變量到虛擬變量的轉換，直接對類別進行數字編碼（男：0，女：1）和將其轉換為虛擬變量（男：[0]，女：[1]）看似一樣，但這只是一個巧合而已，這兩種方法有本質的區別。前者是直接將類別型變量轉變成離散值進行表示，后者是減少一個變量（作為基准），只留取一個變量，在此基礎上對另一個變量進行推論。一定要注意不要搞混了。
總結來說就是：當原特征有m個類別時，我們需要將其轉換成m-1個虛擬變量。
還有一點需要注意的是，基准類別該如何選擇？如果基准類別選擇不合理，虛擬變量之間仍然會存在共線性的問題。這里直接給出結論：選擇占比最大的類別作為基准類別。假設有a，b，c三個類別，如果基准類別a占比太少，那么即使把a去除，b和c之和也會接近於1。
參考：https://cloud.tencent.com/info/a018bd66948cd1ac84665f6fafc2082a.html