为什么算法不接受浮点数？

Question

任务： 有两位老师。他们给学生的作业打分。有一个期末成绩。如果他们给出相同的分数，它就等于老师的分数。或者如果老师的成绩不同，最终成绩为-1。 我想教计算机看这个逻辑。

数据：

1. Rate1 - 第一次教师评估
2. Rate2 - 第二次教师评估
3. 结果 - 最终评估

示例：

0,1; 0,1 => 0,1

0,7; 0,7 => 0,7

0,3; 0,2 => -1

我的代码：

import pandas
MyData = pandas.read_excel("train.xlsx")
input_data = MyData.drop("Result", axis=1)
target = MyData.Result
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(input_data, target)

在那之后，我得到了下一个错误。如果我所有的估计都是整数，则不存在此错误。但我必须处理分数。

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-51-433a918946a9> in <module>
----> 1 model.fit(input_data, target)

~\anaconda3\lib\site-packages\sklearn\ensemble\_forest.py in fit(self, X, y, sample_weight)
    319         self.n_outputs_ = y.shape[1]
    320 
--> 321         y, expanded_class_weight = self._validate_y_class_weight(y)
    322 
    323         if getattr(y, "dtype", None) != DOUBLE or not y.flags.contiguous:

~\anaconda3\lib\site-packages\sklearn\ensemble\_forest.py in _validate_y_class_weight(self, y)
    539 
    540     def _validate_y_class_weight(self, y):
--> 541         check_classification_targets(y)
    542 
    543         y = np.copy(y)

~\anaconda3\lib\site-packages\sklearn\utils\multiclass.py in check_classification_targets(y)
    167     if y_type not in ['binary', 'multiclass', 'multiclass-multioutput',
    168                       'multilabel-indicator', 'multilabel-sequences']:
--> 169         raise ValueError("Unknown label type: %r" % y_type)
    170 
    171 

ValueError: Unknown label type: 'continuous'

附言我的数据是here。

如何处理小数？

Answer 1

您正在尝试将浮点值传递给分类器。尝试使用可以传递整数值的决策树回归器。

这是一个示例代码：

import pandas as pd

df = pd.read_csv(r'train.csv')

X = df.iloc[:, :1].values
y = df.iloc[:, 2].values

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)

from sklearn.tree import DecisionTreeRegressor 

DTR = DecisionTreeRegressor()

DTR.fit(X_train, y_train)