如何传递单个列因变量来训练线性回归模型？

Question

我是机器学习的新手，最近开始学习简单线性回归模型。

我有一个数据集，除了列id （整数类型）之外，所有列都是String数据类型。 我已将其加载到 pandas 数据框中并从中选择索引，如下所示。

pandas 数据框共有 32 列，第 33 列是因变量列，仅显示YES或NO 。 使用所有自变量（第 0 列到第 31 列），我试图找出是否可以预测第 32 列中的值，这是我的因变量。

data = psyco.read_into_pandas()
X = data.iloc[:, 1:33].values
Y = data.iloc[:, 32].values

# Add missing values
imputer = SimpleImputer(missing_values=np.nan, strategy='most_frequent', add_indicator=True)

# Fit the rows and columns into the imputer
imputer.fit(X[:, 1:33])

# Transform the data.
X[:, 1:33] = imputer.transform(X[:, 1:33])

# One hot encoding
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31])], remainder='passthrough')
X = np.array(ct.fit_transform(X))

# Label Encoder
le = LabelEncoder()
Y = le.fit_transform(Y)

# Split data into train and test data
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

在发送X_train和Y_train的值之前，我只打印了Y_train的值，我可以看到它包含一个整数数组，如下图所示。

但是当我将X_train和Y_train的数据发送到我的LinearRegression()时，我遇到了一个错误，上面写着：

ValueError: could not convert string to float: 'yes'

完整错误：

Traceback (most recent call last):
  File "/Some/Path/mltask.py", line 52, in task_2
    lr.fit(X_train, Y_train)
  File "/Some/Path/venv/lib/python3.9/site-packages/sklearn/linear_model/_base.py", line 684, in fit
    X, y = self._validate_data(
  File "/Some/Path/venv/lib/python3.9/site-packages/sklearn/base.py", line 596, in _validate_data
    X, y = check_X_y(X, y, **check_params)
  File "/Some/Path/venv/lib/python3.9/site-packages/sklearn/utils/validation.py", line 1074, in check_X_y
    X = check_array(
  File "/Some/Path/venv/lib/python3.9/site-packages/sklearn/utils/validation.py", line 856, in check_array
    array = np.asarray(array, order=order, dtype=dtype)
ValueError: could not convert string to float: 'yes'

我不明白的是，当我打印Y_train时，我在数组中看到整数，但回归表明它无法将字符串转换为浮点数。

如果我错过了中间的任何步骤，谁能告诉我，我该如何纠正我的错误？ 非常感谢任何帮助。

Answer 1

我认为您未转换的数据可能在 X_train 中，而不是 Y_train 中。

说明：您按以下方式拆分数据：

X = data.iloc[:, 1:33].values
Y = data.iloc[:, 32].values

这意味着Y包含在X中。 在 python 中，索引从 0 开始，所以如果你的因变量是最后一列，你想像这样拆分：

X = data.iloc[:, 0:32].values
Y = data.iloc[:, 32]

否则，您将尝试预测 Y，其中 Y 在您不需要线性回归来实现的特征集中。

在其余代码中，X 中的额外列未通过OneHotEncoder传递（因为您传递了第 1 到 31 列），这导致您在 X_train 中有一些“是”、“否”数据