具有分类特征的线性回归分析
Posted
技术标签:
【中文标题】具有分类特征的线性回归分析【英文标题】:Linear regression analysis with categorical feature 【发布时间】:2020-05-27 14:25:33 【问题描述】:回归算法可以很好地表示为数字。很清楚如何对包含数字的数据进行回归并预测输出。但是我需要对包含分类特征的数据进行回归分析。我有一个 csv 文件,其中包含两列 install-id 和 page-name 都是对象类型。我需要将 install-id 作为输入,而 page-name 应该被预测为输出。下面是我的代码。请帮帮我。
import pandas as pd
data = pd.read_csv("/Users/kashifjilani/Downloads/csv/newjsoncontent.csv")
X = data["install-id"]
Y = data["endPoint"]
X = pd.get_dummies(data=X, drop_first=True)
from sklearn import linear_model
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = .20, random_state = 40)
regr = linear_model.LinearRegression()
regr.fit(X_train, Y_train)
predicted = regr.predict(X_test)
【问题讨论】:
【参考方案1】:我认为在这里我们必须记住回归模型的假设。因为我们试图预测/识别自变量(X)和因变量(y)之间的趋势。 - 线性可分离 - 自变量具有受限的多重共线性。 - 同方差性
正如您的示例中给出的,您只有一个自变量,并且总结 X 和 y 之间的趋势都应该是线性的。
假设你给了一个任务来预测旅行的总旅行时间。并且您的数据集具有以下变量 IV - Miles Traveled、NoOfDeliveries、GasPrice 和 City DV - 旅行时间
在这里您可以看到它是数值(行驶里程,GasPrice)+ 分类变量(NoOfDeliveries,城市)的混合。现在您必须将这些分类变量编码为数字(以便进行回归分析)并预测输出。
为了将分类变量编码为二进制格式,我们在这里使用 sklearn 库中的 2 个对象 - LabelEncoder 和 OneHotEncoder。
请点击以下链接了解更多关于如何处理 Categorical variables
请点击以下链接了解更多关于Dummy variable Trap的信息
请找到以下链接以了解有关构建简单Linear regression model的更多信息
【讨论】:
【参考方案2】:对于演示,假设您有这个数据框,其中 IQ
和 Gender
是输入特征。目标变量是Test Score
。
| Student | IQ | Gender | Test Score |
|----------:|-----:|:---------|-------------:|
| 1 | 125 | Male | 93 |
| 2 | 120 | Female | 86 |
| 3 | 115 | Male | 96 |
| 4 | 110 | Female | 81 |
| 5 | 105 | Male | 92 |
| 6 | 100 | Female | 75 |
| 7 | 95 | Male | 84 |
| 8 | 90 | Female | 77 |
| 9 | 85 | Male | 73 |
| 10 | 80 | Female | 74 |
这里,IQ
是数字,Gender
是分类特征。在预处理步骤中,我们将在数值上应用简单的 imputer,在分类特征上应用 one-hot-encoder。您可以为此使用sklearn's
Pipeline
和ColumnTransformer
功能。然后,您可以使用您选择的模型轻松地进行训练和预测。
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn import linear_model
# defining the data
d =
"Student": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
"IQ": [125, 120, 115, 110, 105, 100, 95, 90, 85, 80,],
"Gender": [
"Male",
"Female",
"Male",
"Female",
"Male",
"Female",
"Male",
"Female",
"Male",
"Female",
],
"Test Score": [93, 86, 96, 81, 92, 75, 84, 77, 73, 74],
# converting into pandas dataframe
df = pd.DataFrame(d)
# setting the student id as index to keep track
df = df.set_index("Student")
# column transformation
categorical_columns = ["Gender"]
numerical_columns = ["IQ"]
# determine X
X = df[categorical_columns + numerical_columns]
y = df["Test Score"]
# train test split
X_train, X_test, y_train, y_test = train_test_split(
X, y, random_state=42, test_size=0.3
)
# categorical pipeline
categorical_pipe = Pipeline([("onehot", OneHotEncoder(handle_unknown="ignore"))])
# numerical pipeline
numerical_pipe = Pipeline([("imputer", SimpleImputer(strategy="mean")),])
# aggregating both the pipeline
preprocessing = ColumnTransformer(
[
("cat", categorical_pipe, categorical_columns),
("num", numerical_pipe, numerical_columns),
]
)
rf = Pipeline(
[("preprocess", preprocessing), ("classifier", linear_model.LinearRegression())]
)
# train
rf.fit(X_train, y_train)
# predict
predict = rf.predict(X_test)
这表明,
>> array([84.48275862, 84.55172414, 79.13793103])
【讨论】:
感谢您的快速回答,但是我有一个 csv 文件,其中包含名为 install-id 和 page-name 的两列。 Install-id 类似于 Alphanumeric 字段,而 pagename 是字符串。 install-id 和 pagename 都是对象类型。我使用以前的模型进行回归,但它仅适用于数字字段输出。我需要创建模型,我可以在其中输入 install-id 并为此返回页面名称。以上是关于具有分类特征的线性回归分析的主要内容,如果未能解决你的问题,请参考以下文章
使用 sklearn - python 具有分类特征的多元线性回归