如何使用分类和连续变量作为 scikit 逻辑回归算法的输入答案

【问题标题】：How can I use categorical and continuous variables as input to scikit logistic regression algorithm如何使用分类和连续变量作为 scikit 逻辑回归算法的输入
【发布时间】：2019-10-05 13:26:10
【问题描述】：

我正在尝试对一个小型数据集执行逻辑回归，其中每个实例都用一个分类（男性，女性）变量和一个连续变量（频率在 [0,1] 之间）和因变量（标签）表示是 0 或 1。因此任务是一个二元分类问题。下面我分享5-6个例子：

import pandas as pd 
df = pd.read_table('dataset.csv',sep=',')
df.head()


Gender  Frequency  Label
0    Male       0.10      0
1  Female       0.23      1
2  Female       0.35      1
3  Female       0.21      0
4    Male       0.15      1

我的问题是：在使用 scikit 的逻辑回归执行逻辑回归时，我应该对连续变量和分类变量进行不同的编码吗？这些变量中的任何一个都需要一些特殊的编码吗？或者是以下正确的方法吗？

from sklearn.cross_validation import train_test_split
X = df[['Gender','Frequency']] # Features
y = df.Label # Target variable
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=0)

from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
# fit the model with data
logreg.fit(X_train,y_train)

#
y_pred=logreg.predict(X_test)

当我这样做时，回归函数是否理解 Gender 是一个分类变量而 Frequency 是一个连续变量？

编辑：当然，我需要将字符串转换为浮点值。（例如 "Male" -> 0 , "Female" -> 1）我要问的是“除此之外我还需要做些什么吗？我问这个是因为我看到了类似的东西 here 但线程还没有结束因此我无法确定答案的有效性。

【问题讨论】：

你有没有想过这个问题？我也在想同样的事情，希望你能有一些见解。

标签： python machine-learning scikit-learn logistic-regression

【解决方案1】：

您应该在使用逻辑回归时尝试使用 onehotencoding。您现在正在做的是标签编码，它与决策树或随机森林等机器学习模型完美配合，但可能会导致逻辑回归问题，因为模型可能认为“女性”即“1”比“0”更重要。

在 sklearn 中查找一种热编码或在 pandas 中查找虚拟变量。这两个函数都会为男性和女性创建一个单独的列。每当该行的性别为男性时，男性列中的值将变为1，女性列中的值将变为0，反向相同。

Male  Female  Frequency  Label
0    1   0    0.10      0
1    0   1    0.23      1
2    0   1    0.35      1
3    0   1    0.21      0
4    1   0    0.15      1

【讨论】：