多项式朴素贝叶斯与scikit - 学习连续和分类数据

Question

我是scikit-learn的新手，我正在尝试创建一个Multiomial Bayes模型来预测电影票房。下面只是一个玩具示例，我不确定它是否在逻辑上是正确的（欢迎提出建议！）。 Y'对应于我想要预测的估计总值（1：＆lt; $ 20mi，2：＆gt; $ 20mi）。我还将电影显示的屏幕数量离散化。

问题是，这是解决问题的好方法吗？或者为所有类别分配数字会更好吗？另外，在DictVectorizer对象中嵌入标签（例如“movie：Pie of Pie”）是否正确？

def get_data():

    measurements = [ \
    {'movie': 'Life of Pi', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'The Croods', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'San Fransisco', 'screens': "few", 'distributor': "TriStar"},\
    ]
    vec = DictVectorizer()
    arr = vec.fit_transform(measurements).toarray()

    return arr

def predict(X):

    Y = np.array([1, 1, 2])
    clf = MultinomialNB()
    clf.fit(X, Y)
    print(clf.predict(X[2]))

if __name__ == "__main__":
    vector = get_data()
    predict(vector)

Answer 1

我认为原则上这是正确的。

将问题表述为对票房销售的回归可能更为自然。

movie功能无用。 DictVectorizer将每个可能的值编码为不同的特征。由于每部电影都有不同的标题，因此它们都具有完全独立的功能，并且不存在泛化。

将屏幕编码为数字也可能更好，而不是作为不同范围的单热编码。

毋庸置疑，你需要更好的功能，你在这里得到任何合理的预测。