联系我：ke.zb@qq.com
我的技术博客：明天依旧可好-CSDN
-----代码传送门-----
-----数据传送门-----
一、具体实现步骤
第1步：数据预处理
导入库
import pandas as pd
import numpy as np
导入数据集
dataset = pd.read_csv('50_Startups.csv')
X = dataset.iloc[ : , :-1].values
Y = dataset.iloc[ : , 4 ].values
将类别数据数字化
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder = LabelEncoder()
X[: , 3] = labelencoder.fit_transform(X[ : , 3])
#表示对第4个特征进进行OneHot编码
onehotencoder = OneHotEncoder(categorical_features = [3])
X = onehotencoder.fit_transform(X).toarray()
躲避虚拟变量陷阱
X = X[: , 1:]
拆分数据集为训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
第2步： 在训练集上训练多元线性回归模型
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, Y_train)
第3步：在测试集上预测结果
y_pred = regressor.predict(X_test)
二、知识点详解
1. 关于多元线性回归
简单线性回归：影响Y的因素唯一，只有一个。
多元线性回归：影响Y的因数不唯一，有多个。
与一元线性回归一样，多元线性回归自然是一个回归问题。
一元线性回归方程：Y=aX+b。
多元线性回归是：Y=aX1+bX2+cX3+.......+nXn。
相当于我们高中学的一元一次方程，变成了n元一次方程。因为y还是那个y。只是自变量增加了。
2. 关于OneHotEncoder()编码
在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，通常我们需要对其进行特征数字化，如下面的例子：
有如下三个特征属性：
- 性别：["male"，"female"]
- 地区：["Europe"，"US"，"Asia"]
- 浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]
通过LabelEncoder将其数字化：
- 性别：[0，1]
- 地区：[0，1，2]
- 浏览器：[0，1，2，3]
再用OneHotEncoder进行编码：
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
"""
如果不加 toarray() 的话，输出的是稀疏的存储格式，即索引加值的形式，
也可以通过参数指定 sparse = False 来达到同样的效果
"""
ans = enc.transform([[0, 1, 3]]).toarray()
print(ans) # 输出 [[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]
解释：对于输入数组，这依旧是把每一行当作一个样本，每一列当作一个特征。
- 我们先来看第一个特征，即第一列 [0,1,0,1]，也就是说它有两个取值 0 或者 1，那么 one-hot 就会使用两位来表示这个特征，[1,0] 表示 0， [0,1] 表示 1，在上例输出结果中的前两位 [1,0...] 也就是表示该特征为 0。
- 第二个特征，第二列 [0,1,2,0]，它有三种值，那么 one-hot 就会使用三位来表示这个特征，[1,0,0] 表示 0， [0,1,0] 表示 1，[0,0,1] 表示 2，在上例输出结果中的第三位到第六位 [...0,1,0,0...] 也就是表示该特征为 1。
- 第二个特征，第三列 [3,0,1,2]，它有四种值，那么 one-hot 就会使用四位来表示这个特征，[1,0,0,0] 表示 0， [0,1,0,0] 表示 1，[0,0,1,0] 表示 2，[0,0,0,1] 表示 3，在上例输出结果中的最后四位 [...0,0,0,1] 也就是表示该特征为 3
可以简单理解为“male”“US”“Safari”经过LabelEncoder与OneHotEncoder的编码就变成了：[[1. 0. 0. 1. 0. 0. 0. 0. 1.]]
更多OneHot编码知识可前往：scikit-learn 中 OneHotEncoder 解析
3. 关于toarray()
toarray()：将列表转化为数组
Python原生没有数组的概念，这点不同于Java之类的面向对象语言。Python中原生的列表使用起来很像数组，但是两者有本质的区别
列表与数组的最本质的区别：列表中的所有元素的内存地址可以不是连续的，而数组是连续的。
<div align=center><img src="https://img-blog.csdn.net/20180920120440251" width="80%" height="80%"></div>
更详细的解释：Python中列表与数组的区别
4. 虚拟变量陷阱
虚拟变量陷阱是指两个以上（包括两个）变量之间高度相关的情形。简而言之，就是存在一个能被其他变量预测出的变量，举一个存在重复类别（变量）的直观例子：假使我们舍弃男性类别，那么该类别也可以通过女性类别来定义（女性值为0时，表示男性，为1时，表示女性），反之亦然。
虚拟变量陷阱这里就简单了解，后面再深入讨论。
我的CSDN技术专栏：【机器学习100天】、【K童鞋的爬虫笔记】
网友评论