具有 scikit-learn 的多项式朴素贝叶斯，用于连续和分类数据

Question

我是 scikit-learn 的新手，我正在尝试创建一个多项式贝叶斯模型来预测电影票房。下面只是一个玩具示例，我不确定它是否在逻辑上正确（欢迎提出建议！）。 Y 对应于我试图预测的估计总额（1： $20mi）。我还离散化了电影放映的屏幕数量。

问题是，这是解决问题的好方法吗？或者将数字分配给所有类别会更好吗？另外，在 DictVectorizer 对象中嵌入标签（例如“电影：派的生活”）是否正确？

def get_data():

    measurements = [ \
    {'movie': 'Life of Pi', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'The Croods', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'San Fransisco', 'screens': "few", 'distributor': "TriStar"},\
    ]
    vec = DictVectorizer()
    arr = vec.fit_transform(measurements).toarray()

    return arr

def predict(X):

    Y = np.array([1, 1, 2])
    clf = MultinomialNB()
    clf.fit(X, Y)
    print(clf.predict(X[2]))

if __name__ == "__main__":
    vector = get_data()
    predict(vector)

Answer 1

我认为原则上这是正确的。

也许将问题表述为票房销售的回归会更自然。

movie 功能没用。 DictVectorizer 将每个可能的值编码为不同的特征。由于每部电影都有不同的标题，它们都将具有完全独立的特征，无法一概而论。

将屏幕编码为数字可能会更好，而不是作为不同范围的一次性编码。

不用说，您需要比这里更好的功能来获得任何合理的预测。