scikit-learn 中的逻辑回归特征值归一化答案

【问题标题】：logistic regression feature value normalization in scikit-learnscikit-learn 中的逻辑回归特征值归一化
【发布时间】：2016-12-27 22:01:04
【问题描述】：

使用 Python 2.7。问题是关于拟合方法。问题是针对特征（由参数X提供），如果有非数字特征（例如字符串类型特征，如Male、Female），是否需要，或者建议转换成数字特征（出于性能和其他原因）？如果我有多值字符串类型的特征（例如，特征地理可以是San Francisco、San Jose、Mountain View 等的任何值）

http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html#sklearn.linear_model.LogisticRegression.fit

问候，林

【问题讨论】：

标签： python python-2.7 machine-learning scikit-learn logistic-regression

【解决方案1】：

如果您想使用sklearn，您必须对分类特征进行编码并将它们转换为数值。这适用于所有sklearn 估计器（包括LogisticRegression），您使用的python 版本无关紧要。

看看4.3.4。编码http://scikit-learn.org/stable/modules/preprocessing.html#encoding-categorical-features 的分类特征 以获取更多信息。

【讨论】：

0/1 for male/female 是一个合理的选择。但是 1/1 会给你错误的结果，因为它表明男性和女性之间没有区别。如果您将特征传递给sklearn.preprocessing.LabelEncoder，它将自动对您的分类特征进行编码。
您提到的链接适用于OneHotEncoding，这与仅将分类变量编码为数值变量不同。几天前，我写了一个很长的答案，其中包含几个关于 ro 如何同时使用LabelEncoder 和OneHotEncoder 的示例。我认为这将帮助您了解它们的工作原理。你可以在这里找到它stackoverflow.com/questions/38978853/onehotencoding-mapping/…
这取决于您使用的估算器。例如，DecisionTree 很可能会给您类似的结果。 -1/1 仍然是一个不错的选择。例如，您不应该将它们编码为 100/1。
我在聊天中回复了你。希望对你有帮助。
首先，您需要使用 LabelEncoder 将分类特征编码为数值。黑色为 0，绿色为 1，红色为 2（按字母顺序）。您将使用此编码数值作为 OneHotEncoder 输入。由于黑色被编码为 0，因此它是您的一个热编码矩阵中的第一列。

【解决方案2】：

只是为 MhFarahani 的回答添加一点内容：是的，您需要将这些标签转换为数值（通常为 0 或 1）。对于诸如性别之类的事情，您可能希望有一行，其中男性为 0，女性为 1，反之亦然。对于像地理位置这样的东西，它会有点复杂。如果有合理数量的可能答案，您可以使用 pandas 中的 get_dummies 函数（查看文档here）自动用行填充您的数据框以表示每个可能的位置；然后，您可以删除其中一行以将该位置设置为“默认”。

【讨论】：

谢谢 Barak，不确定如果我将男性/女性编码为 0/1 或 -1/1，预测结果是否会改变？
我假设您的意思是 0/1 或 1/0？（也就是说，您将有一个名为“性别”的列，其值为 1 或 0，其中 1 为女性，0 为男性，或者 0 为女性，1 为男性）。选择是任意的，但是当您看到回归结果时，您应该牢记这一点。例如，如果性别系数为正，1 表示男性，则表示男性对因变量有正影响；如果 1 表示女性，那么成为女性就有积极的影响！
嗨 Barak，我的意思是如果我将男性编码为 1，女性编码为 0，或者我可以将男性编码为 -1，女性编码为 1，这两种机制是否对预测结果有影响？
另外，我读了一些关于编码的例子，但仍然感到困惑，例如，从这个链接 (scikit-learn.org/stable/modules/generated/…)，这些值是 - [0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2] 代表 4 个样本，每个样本都有3个特点？如果是这样，为什么文件说three features and two samples？