线性回归中的虚拟变量陷阱

Question

我有数据集，其中包含可以带纽约，加利福尼亚和佛罗里达州的分类属性状态。

• 在虚拟变量中对这些值进行编码后，为什么需要删除 一个变量？
• 有人可以解释一下什么是虚拟变量陷阱 线性回归的情况。
• 为什么我们需要删除1个变量 走出这种情况？

Answer 1

这并不总是必要的，但是想法是如果分类属性覆盖所有空间（即你的虚拟变量代表属性的所有可能值），那么最后一个虚拟变量可以由其他N完美预测。 -1个假人：

last_dummy = 1 if all sum(dummies[:N-1]) == 0 else 0

这引入了虚拟变量之间的重共线性（这在线性/逻辑回归中是非常不受欢迎的事情），这就是为什么它被称为虚拟变量陷阱。

通常，解决这个问题的方法是只删除一个虚拟列（任何一个都可以，它不一定是最后一个）。这消除了共线性的来源，并且由于无论如何都可以通过其余部分预测虚拟，因此原始数据集中根本不会丢失信息。

Answer 2

由于拦截，你总是需要为每个级别删除一个Dummy变量 假设你有一个星期几的7个虚拟变量 该参考文献将在星期一与其他参考文献进行比较

如果删除拦截，则可以添加星期一。但是只有在非常具体的情况下才能删除拦截