Machine learning 非整特征值Logistic回归 嗨，我在跟随Andrew Ng的机器学习课程。 我发现在回归问题中，特别是逻辑回归中，他们使用整数值作为特征，这些特征可以绘制在图表中。但是，在很多用例中，特征值可能不是整数 让我们考虑下面的例子：

我想建立一个模型来预测今天是否有人会休假。从我的历史数据中，我可能会发现以下特性有助于构建培训集

此人姓名、一周中的哪一天、到目前为止留给他的假期数（这可能是一个连续递减的变量）等

因此，以下是基于上述原因提出的问题

我如何为我的逻辑回归模型设计训练集

在我的训练集中，我发现一些变量在不断减少（例如，剩下的叶子数量）。这会不会产生任何问题，因为我知道线性回归中会使用不断增加或减少的变量。这是真的吗

---

非常感谢您的帮助。谢谢

好吧，你的问题中有很多遗漏的信息，例如，如果你提供了你所有的功能，它会更加清晰，但是让我大胆地提出一些假设

---

分类中的ML建模总是需要处理数字输入，并且您可以轻松地将每个唯一输入推断为整数，尤其是类

---

现在让我试着回答你们的问题：

我如何为我的逻辑回归模型设计训练集

在我看来，你有两个选择（不一定都是可行的，应该由你根据你拥有的数据集和问题来决定），或者根据你拥有的历史数据（即之前的观察结果）预测公司所有员工在某一天休假的概率，每个员工将代表一个类（从0到要包含的员工数的整数）或为每位员工创建一个模型，在这种情况下，课程将关闭（即休假）或打开（即出席）

例1 我创建了一个包含70个案例和4名员工的数据集示例，如下所示：

import math
import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, RepeatedStratifiedKFold

# read dataset example
df = pd.read_csv('leaves_dataset.csv')
# assign unique integer to every employee (i.e. a class label)
mapping = {'Jack': 0, 'Oliver': 1, 'Ruby': 2, 'Emily': 3}
df.replace(mapping, inplace=True)

y = np.array(df[['Name']]).reshape(-1)
X = np.array(df[['Leaves Left', 'Day', 'Month']])

# create the model
parameters = {'penalty': ['l1', 'l2'], 'C': [0.1, 0.5, 1.0, 10, 100, 1000]}
lr = LogisticRegression(random_state=0)
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=2, random_state=0)
clf = GridSearchCV(lr, parameters, cv=cv)
clf.fit(X, y)
#print(clf.best_estimator_)
#print(clf.best_score_)

# Example: probability of all employees who have 10 days left today
# warning: date must be same format
prob = clf.best_estimator_.predict_proba([[10, 9, 11]])
print({'Jack': prob[0,0], 'Oliver': prob[0,1], 'Ruby': prob[0,2], 'Emily': prob[0,3]})

在这里，每个名字都与他们休假的日期和月份有关，与他们每年剩下的假期数量有关

实现（使用）如下所示（注意日期仅包含日和月）：

现在我们可以这样做：

import math
import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, RepeatedStratifiedKFold

# read dataset example
df = pd.read_csv('leaves_dataset.csv')
# assign unique integer to every employee (i.e. a class label)
mapping = {'Jack': 0, 'Oliver': 1, 'Ruby': 2, 'Emily': 3}
df.replace(mapping, inplace=True)

y = np.array(df[['Name']]).reshape(-1)
X = np.array(df[['Leaves Left', 'Day', 'Month']])

# create the model
parameters = {'penalty': ['l1', 'l2'], 'C': [0.1, 0.5, 1.0, 10, 100, 1000]}
lr = LogisticRegression(random_state=0)
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=2, random_state=0)
clf = GridSearchCV(lr, parameters, cv=cv)
clf.fit(X, y)
#print(clf.best_estimator_)
#print(clf.best_score_)

# Example: probability of all employees who have 10 days left today
# warning: date must be same format
prob = clf.best_estimator_.predict_proba([[10, 9, 11]])
print({'Jack': prob[0,0], 'Oliver': prob[0,1], 'Ruby': prob[0,2], 'Emily': prob[0,3]})

结果

{'Ruby': 0.27545, 'Oliver': 0.15032, 
 'Emily': 0.28201, 'Jack': 0.29219}

{'On': 0.33348, 'Off': 0.66651}

N.B 要使其相对有效，您需要一个真正的大数据集

此外，如果数据集中有其他信息性特征（例如员工当天的健康状况等），则这可能比第二个更好

---

第二个选择是为每个员工创建一个模型，这里的结果会更准确、更可靠，但是，如果你有太多的员工，这几乎是一场噩梦

对于每个员工，您收集他们过去几年的所有假期并将其连接到一个文件中，在这种情况下，您必须完成一年中的所有天数，换句话说：对于员工从未休过假的每一天，该天都应在上标记为（或数字表示为1）在休息日，他们应该被标记为off（或者数字上说是0）

显然，在这种情况下，对于每个员工的模型，类将是0和1（即打开和关闭）

例如，考虑此数据集的示例针对特定雇员<强>杰克< /强>：

例2

然后您可以执行以下操作，例如：

import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, RepeatedStratifiedKFold

# read dataset example
df = pd.read_csv('leaves_dataset2.csv')
# assign unique integer to every on and off (i.e. a class label)
mapping = {'off': 0, 'on': 1}
df.replace(mapping, inplace=True)

y = np.array(df[['Type']]).reshape(-1)
X = np.array(df[['Leaves Left', 'Day', 'Month']])

# create the model
parameters = {'penalty': ['l1', 'l2'], 'C': [0.1, 0.5, 1.0, 10, 100, 1000]}
lr = LogisticRegression(random_state=0)
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=2, random_state=0)
clf = GridSearchCV(lr, parameters, cv=cv)
clf.fit(X, y)
#print(clf.best_estimator_)
#print(clf.best_score_)


# Example: probability of the employee "Jack" who has 10 days left today
prob = clf.best_estimator_.predict_proba([[10, 9, 11]])
print({'Off': prob[0,0], 'On': prob[0,1]})

结果

{'Ruby': 0.27545, 'Oliver': 0.15032, 
 'Emily': 0.28201, 'Jack': 0.29219}

{'On': 0.33348, 'Off': 0.66651}

N.B在这种情况下，您必须为每位员工创建一个数据集+培训特别模式+将过去几年中从未休过的所有日子都填上

---

在我的训练集中，我发现一些变量在不断减少（例如，剩下的叶子数量）。那会不会产生什么问题,， 因为我知道不断增加或减少的变量是 用于线性回归。这是真的吗

在逻辑回归中，没有什么能阻止你使用有争议的值作为特征（例如叶子的数量）；事实上，如果在线性回归或逻辑回归中使用，则没有任何区别，但我相信您会混淆特征和响应：

---

问题是，离散值应用于逻辑回归的响应，连续值应用于线性回归的响应（也称为因变量或

y

）.

我认为这更像是数据科学堆栈交换的一个问题，因为您不需要代码方面的帮助。好的，我会把它贴在那里。我得到了您的答案。对于这个用例，我可能选择了一个错误的特性名称。让我这样重新表述我的问题——假设一个模型想要预测一个人的性别。选择的特征是姓名和国家（有时同一姓名在不同的国家有不同的性别）。那么一个训练集（其中y（i）={0，1}和X（i）={somename，somecountry}，对于第i个训练集），我如何绘制图形以便可视化决策边界？对于最初的问题，我想预测给定的名字X（1），离开X（2），第X（3）天，我的人离开的概率是多少。但是我知道在这种情况下，名称X（1）应该是类本身，或者我为每个名称构建了一个模型。谢谢你的帮助。我读过一篇关于热编码的文章，这也是解决上述问题的方法之一。