为 scikit 线性回归模型生成 numpy 数组

Question

我有一个包含多个变量的大型数据集：商品、位置、质量（范围为 1-10）和日期范围，如果商品当天没有售出，则包含“否”和售出时的价格天。

我想创建一个线性回归模型，以便能够在给定位置和质量的情况下预测价格。我通读了 scikit-learn 教程，但我真的很困惑我的输入应该是什么。有人可以帮帮我吗？

Answer 1

您需要将数据转换为模型可以使用的数字表示。唯一有问题的特征是位置（分类变量），但我们可以用每个位置的一列以及 0 和 1（所谓的 OneHotEncoding）来表示它。一个帮助您入门的示例：

预处理

from sklearn.feature_extraction import DictVectorizer

data  = [
        {'location': 'store 1', 'quality': 8},
        {'location': 'store 1', 'quality': 9},
        {'location': 'store 2', 'quality': 2},
        {'location': 'store 2', 'quality': 3},
        ]
prices = [100.00, 99.9, 11.25, 9.99]
vec = DictVectorizer()
X = vec.fit_transform(data)
y = prices

现在X 将如下所示：

╔═════════════════╦═════════════════╦═════════╗
║ location=store1 ║ location=store2 ║ quality ║
╠═════════════════╬═════════════════╬═════════╣
║               1 ║               0 ║       8 ║
║               1 ║               0 ║       9 ║
║               0 ║               1 ║       2 ║
║               0 ║               1 ║       3 ║
╚═════════════════╩═════════════════╩═════════╝

模型训练

这个矩阵现在可以输入模型了：

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X, y)

预测

新数据还需要使用相同的DictVectorizer 转换为数字形式。请注意，现在我们使用.transform 而不是.fit_transform：

>>> test_data = [{'location': 'store 2', 'quality': 3}]
>>> X_test = vec.transform(test_data)
>>> model.predict(X_test)
array([ 10.28])

顺便说一句，我会将这个问题作为一个分类问题（已售出/未售出）来处理，然后我会使用回归来确定已售商品的价格。