提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
机器学习03 Multiple Linear Regression
提示：
多元线性回归；LabelEncoder; OneHotEncoder
提示：以下是本篇文章正文内容，下面案例可供参考
一、代码问题
示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
二、使用步骤
1.引入库
将类别型变量进行One-Hot 编码过程中代码出现问题，进行如上修改即可以运行，参考链接：添加链接描述
2.LabelEncoder VS OneHotEncoder
代码如下（示例）：
参考链接如下：
添加链接描述
解释: LabelEncoer因为过多的考虑了类别不同赋予不同的值，将原始类别变量引入数值大小的比较，所以可考虑OneHotEncoder，并且实际操作中需要先将变脸转为Label后再转为OneHot
添加链接描述
解释: 类比两者的差异，着重讲述OneHot, 理解enc.n_values_，enc.feature_indices_，通过理解enc.feature_indices_，可以知道onehot也存在问题，使得数据变得比较稀疏。
添加链接描述
解释： 了解什么是虚拟变量陷阱，对虚拟变量的解释可以看PPT添加链接描述，对于这个案例来说，存在所谓的虚拟变量陷阱。意思就是：其实state只有3种取值，理论上2位二进制就可以表示，而这里用100，010，001三种表示。其实若把第一位统一去掉，变为00，10，01也是可以区分的。所以这里需要做一个处理：
躲避虚拟变量陷阱,把第一列去掉了
X = X[: , 1:]
该处使用的url网络请求的数据。