選択肢4が正解です。 【カテゴリ変数エンコーディング】 scikit-learnで学習モデルを作る場合、データを数値で渡す必要があるため、文字列だった場合は数値に変換します。 例えばある列に「北海道」「東京」「沖縄」というデータがあった場合、scikit-learnのLabelEncoderクラスでカテゴリ変数エンコーディングすると、「0」「1」「2」の数値に変わります。 これで学習できるようになりますが、数値に大小があるため、「北海道　<　東京　<　沖縄」という意味だとアルゴリズムに解釈される可能性があります。そのため、通常はカテゴリ変数エンコーディングではなく、One-hotエンコーディングを利用します。 【One-hotエンコーディング】 値の分だけ列を増やし、各行の該当する値の列に1、それ以外の列に0が入力されます。 先の「北海道」「東京」「沖縄」の例の場合、次のように変換されます。 df = pd.DataFrame( ['北海道', '東京', '沖縄'], columns=['地名']) ▶︎ pd.get_dummies(df) ▶︎ 値の分だけ列が増え、各行の該当する値の列に1、それ以外の列に0が入力されます。 pandasのget_dummies関数はDataFrameが返りますが、scikit-learnのOneHotEncoderクラスはscipy.sparse形式の疎行列が返ります。 DataFrameのほうが扱いやすいですが、カテゴリが多いと0のデータが大量になるため、メモリの使用量が増えます。scipy.sparse形式の疎行列は1の位置だけ記憶して利用するため、メモリの使用量を抑えることができます。 scikit-learnのRandomForestClassifierなど、主なアルゴリズムはscipy.sparse形式の疎行列をデータとして渡すことができます。 （公式書籍 p.217-221）