如何将sklearn的线性回归应用于某些字符串变量

Question

我要用逻辑回归来预测一部电影的票房。 我有一些训练资料包括演员和导演。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。在

^{pr2}$

这意味着X={[1,1],[2,2]} y=[300,500]和{} 这样行吗？在

Answer 1

你不能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，如果您将Director1编码为1，Director2编码为2，线性回归将尝试根据该编码方案查找关系。它将假定Director2是Director1的两倍大小。实际上，这些数字没有任何意义。你可以把它们编码为143和9879，应该没有什么区别。它们没有任何数字意义。为了确保线性回归正确地处理它们，您需要使用虚拟变量。在

对于虚拟变量，每个类别级别都有一个变量。例如，如果您有3个控制器，您将有3个变量：D1、D2和D3。如果对应的电影由导演1导演，D1的值为1，否则为0；如果影片由导演2导演，则D2的值为1，否则为0。。。因此，对于一组值D2 D2 D3 D1 D2，虚拟变量将为：

    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，我们只使用这些变量中的n-1，其中n是类别的数量（本例中的控制器数量）。选择其中一个董事作为基数，用回归模型中的常数表示。不管是哪一个。例如，如果排除D3，您将知道电影是由director3ifD1=0和D2=0导演的。您不需要指定D3=1。在

在scikit learn中，这个转换是用OneHotEncoder完成的。示例来自scikit learndocumentation：

有三个分类变量：性别、地区和浏览器。性别有2个级别：["male", "female"]，区域有三个级别：["from Europe", "from US", "from Asia"]，浏览器有四个级别：["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]是指一个来自美国的男性，他使用Safari。在

^{pr2}$

使用enc.fitscikit learn可以推断每个变量的级别数。对于像[0，1，3]这样的观察，如果调用enc.transform，您将看到它们的伪变量。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。在