0

我将使用逻辑回归预测一部电影的票房。我得到了一些火车数据，包括演员和导演。这是我的数据：

Director1|Actor1|300 million
Director2|Actor2|500 million

我将使用整数对导演和演员进行编码。

1|1|300 million
2|2|300 million

这意味着那X={[1,1],[2,2]} y=[300,500]有效fit(X,y) 吗？

4

1 回答 1

6

您不能像这样在线性回归中使用分类变量。线性回归将所有变量视为数值变量。因此，如果将 Director1 编码为 1，将 Director2 编码为 2，线性回归将尝试根据该编码方案找到关系。它将假定 Director2 的大小是 Director1 的两倍。实际上，这些数字没有任何意义。您可以将它们编码为 143 和 9879，应该没有任何区别。它们没有任何数字含义。为了确保线性回归正确处理它们，您需要使用虚拟变量。

使用虚拟变量，每个类别级别都有一个变量。例如，如果您有 3 个主管，您将有 3 个变量：D1、D2 和 D3。如果对应的电影由 Director1 导演，则 D1 的值为 1，否则为 0；如果电影由 Director2 导演，则 D2 的值为 1，否则为 0...因此，使用一组值 D2 D1 D2 D3 D1 D2，您的虚拟变量将是：

    D1 D2 D3
D2  0  1  0
D1  1  0  0
D2  0  1  0
D3  0  0  1
D1  1  0  0
D2  0  1  0

在线性回归中，为了避免多重共线性，我们只使用n-1这些变量，其中n是类别数（本例中的董事数）。将选择其中一位董事作为基数，并将在回归模型中由常数表示。不管是哪一个。例如，如果您排除 D3，您将知道该电影是由 Director3 导演的，如果D1=0和D2=0。您无需指定D3=1.

在 scikit-learn 中，这种转换是使用OneHotEncoder完成的。该示例来自 scikit-learn文档：

您有三个分类变量：性别、区域和浏览器。Gender 有 2 个级别：["male", "female"]， Region 有 3 个级别：["from Europe", "from US", "from Asia"]和 Browser 有 4 个级别：["uses Firefox", "uses Chrome", "uses Safari", "uses Internet Explorer"]。假设它们是用从零开始的数字编码的。所以[0, 1, 2]是指使用 Safari 的美国男性。

>>> enc = preprocessing.OneHotEncoder()
>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  
OneHotEncoder(categorical_features='all', dtype=<... 'float'>,
       handle_unknown='error', n_values='auto', sparse=True)
>>> enc.transform([[0, 1, 3]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  1.]])

使用enc.fitscikit-learn 推断每个变量的级别数。对于像 [0, 1, 3] 这样的观察，如果你打电话，enc.transform你会看到他们的虚拟变量。请注意，结果数组的长度是 2 + 3 + 4 = 9。前两个代表性别（​​如果是男性，第一个是 1），接下来的三个代表地区，依此类推。

于 2016-05-10T16:41:07.843 回答