AutoML 通过自动化预处理和编码步骤来处理分类数据，将非数值特征转换为适合机器学习模型的格式。分类数据，例如文本标签（如“红色”、“蓝色”）或离散类别（如“高”、“中”、“低”），必须转换为数值表示，因为大多数算法无法直接处理原始文本。AutoML 工具通常会根据数据的特征应用独热编码、标签编码或目标编码等技术。例如，独热编码将每个类别转换为一个二进制列（0 或 1），这适用于唯一值数量有限的特征。标签编码为每个类别分配一个整数（如“高”=1，“中”=2），这对于有序数据很有用。AutoML 系统通常会分析数据类型、基数（唯一类别的数量）以及与目标变量的关系，以自动选择最合适的方法。
在处理高基数分类特征时（例如，“城市”列有数百个唯一值），AutoML 可能会使用频率编码（用类别出现的次数替换类别）或嵌入（学习到的低维表示）等策略。一些工具还会应用降维或聚类来对稀有类别进行分组。例如，如果“产品 ID”列有数千个唯一值，AutoML 可以根据它们与其他特征的交互（如购买频率）对 ID 进行聚类，以减少噪声。此外，像 Google 的 AutoML Tables 或 H2O Driverless AI 这样的框架会自动检测分类列并应用优化，例如对高基数特征使用目标编码（用目标变量的平均值替换类别）以避免创建稀疏的独热编码矩阵。
AutoML 还通过使用“未知”等占位符或使用最频繁的类别来处理缺失或不一致的分类值。例如，如果“颜色”列有缺失条目，系统可能会用“缺失”填充，或者从其他特征推断值。稀有类别（例如，仅出现一次的国家/地区名称）可能会被分组到一个“其他”桶中，以防止过拟合。高级系统甚至可能执行特征交互，例如组合“邮政编码”和“收入水平”来创建新的分类特征。通过在交叉验证期间测试不同的编码策略，AutoML 确保所选方法平衡了模型性能和计算效率，让开发者能够专注于更高级别的任务，而无需手动调整。