03-多元线性回归【100-Days-Of-ML-Code】

查看转载请点击此处

虚拟变量：当该特征是标称型的，那么就可以构造数值型虚拟变量，取值可以对类别进行区分。

虚拟变量陷阱：如果该特征是标称型，且有m个取值，那么我们只需要构建m-1个虚拟变量即可，因为最后一个虚拟变量可以通过前m-1个虚拟变量预测推断出来。

第1步: 数据预处理

导入库

import pandas as pd
import numpy as np

导入数据集

dataset = pd.read_csv('50_Startups.csv')
X = dataset.iloc[ : , :-1].values  # iloc是pandas的使用方法，用于取出列。
Y = dataset.iloc[ : ,  4 ].values

将类别数据数字化

from sklearn.preprocessing import LabelEncoder, OneHotEncoder

# 首先将标签数据用离散数值表示，如0，1，2，3
labelencoder = LabelEncoder()
X[: , 3] = labelencoder.fit_transform(X[ : , 3])

# 再将离散数值用one-hot编码，数字3表示该特征有3个类别
onehotencoder = OneHotEncoder(categorical_features = [3])
X = onehotencoder.fit_transform(X).toarray()

躲避虚拟变量陷阱

在上面的数据中，某特征有三个标称值，进行one-hot编码后，产生了三个虚拟变量，因此，我们需要剔除重复的第三个虚拟变量。

# 经过数据类型转换后，Python将标称型数据放在了最前列
X = X[: , 1:]

拆分数据集为训练集和测试集

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.2, random_state = 0)

第2步： 在训练集上训练多元线性回归模型

from sklearn.linear_model import LinearRegression

# 创建regressor对象
regressor = LinearRegression()

# regressor对象的fit()方法来训练模型
regressor.fit(X_train, Y_train)

第3步：在测试集上预测结果

y_pred = regressor.predict(X_test)