在分类问题上，将label处理成one-hot编码格式是很通用的做法，什么是one-hot编码？就是将类别变量转换为机器学习算法易于利用的一种形式的过程。
比如：
上面这个公司对应四个标签值，类比值是成比例增加的，处理成one-hot编码格式：
大家会发现VW从1变成了（1,0,0），时间上这各向量就是一组以类别作为长度，在每一类具体所在位置上标1.
为什么处理成这样的格式呢？因为在输入数据时，假定类别值越高，该类别越好，这会对我们输入的数据造成很大影响，尤其是在进行计算时，loss损失函数，求导，平均值计算等等。比如说，假设模型内部计算平均值（神经网络中有大量加权平均运算），那么1+3=4,4/2=2，这意味着VM和Honda平均是Acura，这是很有问题的。
因为在分类问题上，每个类别之间是相对独立的，我们使用one-hot这种二值化操作就很有效。当然如果输出序列之间存在某种连续性的关系，使用one-hot就不合适了，使用distributed respresentation就更合适，能够体现上下文的语义关系。