如何在python

Question

我正在使用数据集来使用多变量回归技术进行一些预测。我必须根据一些自主变量来预测员工的工资，如性别，百分比，出生日期，不同科目的分数，学位，专业化等。

数字参数（例如，不同科目中的标记和百分比）可以与回归模型一起使用。但是，我们如何在这里规范化非数字参数（性别，出生日期，学位，专业化）？

P.S。 ：我正在使用scikit-learn : machine learning in python包。

Answer 1

您想对分类参数进行编码。

• 对于二元分类参数，例如性别，这相对容易：引入一个二进制参数：1 =女性，0 =男性。
• 如果有两个以上的类别，您可以尝试使用one-hot-encoding。 阅读有关sci-kit学习文档的更多信息： http://scikit-learn.org/stable/modules/preprocessing.html#encoding-categorical-features

请注意，日期不是分类参数！将它转换为unix时间戳（自纪元以来的秒数），你有一个很好的参数可以回归。

Answer 2

我希望这可以帮到你。有关如何使用该功能的完整说明，请访问此链接。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.normalize.html

Answer 3

“Normaliz [ing]非数字参数”实际上是一个巨大的回归领域。最常见的处理方法是将每个分类变成一组名为dummy variables的二进制变量。

每个具有n值的分类都应转换为n-1虚拟变量。因此，例如，对于性别，您可能有一个变量“女性”，即每次观察时为0或1。为什么n-1而不是n？因为你想避免使用dummy variable trap，所以基本上所有1的截距列都可以从你的虚拟列的线性组合中重建。在相对非技术性的术语中，这很糟糕，因为它会扰乱进行回归所需的线性代数。

我对scikit-learn库不是很熟悉，但我建议您确保使用的方法，确保每个分类变为n-1个新列，而不是n。