Python ValueError:未知的标签类型：'；连续'；在DecisionTreeClassifier（）中

我正在尝试创建一个模型，预测以下列的结果：

    Date    Open    High    Close   Result
1/22/2010   25.95   31.29   30.89   0.176104
2/19/2010   23.98   24.22   23.60   -0.343760
3/19/2010   21.46   23.16   22.50   0.124994
4/23/2010   21.32   21.77   21.06   -0.765601
5/21/2010   55.41   55.85   49.06   0.302556

我使用的代码是：

导入熊猫
从sklearn.tree导入DecisionTreeClassifier
dataset=pandas.read\u csv（'data.csv'））
X=dataset.drop（列=['Date'，'Result']）
y=dataset.drop（列=['Date'、'Open'、'High'、'Close']）
模型=DecisionTreeClassifier（）
模型拟合（X，y）

但我得到了一个错误：

ValueError:未知的标签类型：“连续”

---

也欢迎使用其他算法的建议。

您使用的是

DecisionTreeClassifier

，它是一个分类器，只会预测分类值，如

0

或

1

，但您的

结果列是连续的，因此您应该在ML中使用，重要的是第一步考虑你的问题的本质。这是个问题吗？您是否有目标数据，或者这是一个问题，您没有目标，希望了解更多有关数据固有结构的信息（例如）。然后，考虑在流水线中需要准备哪些步骤来准备数据（）
在这种情况下，将浮点（浮点数）传递给分类器（DecisionTreeClassifier）。问题在于，分类器通常会分离不同的类，因此该分类器需要
字符串
或
整数
类型来区分不同的类（这称为“目标”）。你可以在一篇文章中了解更多

您要解决的问题是确定一个连续的数值输出，
Result
。这就是所谓的回归问题，因此您需要使用回归算法（例如）。你可以尝试其他回归算法，一旦你有了这个简单的工作，这是一个很好的开始，因为它是一个相当直截了当的理解，它是相当透明的，它是快速的，很容易实现-所以决策树是一个伟大的选择出发点

作为进一步的说明，考虑预处理数据是很重要的。您只需将目标与输入数据分离即可完成其中一些操作：
X = dataset.drop(columns=['Date','Result'])
y = dataset.drop(columns=['Date', 'Open', 'High', 'Close'])

但是，您可能希望进一步研究预处理，尤其是数据的预处理。这通常是实现哪种ML算法能够解释数据所必需的步骤。俗话说：“垃圾进，垃圾出”

预处理的一部分有时需要更改给定列的数据类型。问题中的错误，从表面上看，让人认为手头的问题是您需要更改数据类型。但是，如前所述，在您的问题中，如果您试图使用回归来确定连续输出，那么这样做是没有帮助的。

你的方法是一个很好的尝试，但我认为这不是正确的方法
在ML建模中，有三大类模型
回归：你有牛顿定律的负责人吗？这些是帮助识别数据中隐藏的规则和逻辑的ML模型
分类：这是一种用于将数据划分为不同类别的ML模型
时间序列ML模型：这类似于股市数据分析。与上面不同，这里的日期X的值取决于X-1、X-2、X-3等等。这是一些更接近回归的东西，但这些需要像ARIMA这样的模型

至于错误
DecisionTreeClassifier
应该用于识别1、2、3、4等类别。。依此类推，但仅限于一组有限的类

对于像您的
结果这样的连续和分数系列，您应该使用类似回归的模型或类似ARIMA的时间序列ML模型。
顺便说一句，标签中有连续值（用于回归任务）。但是你正在执行分类器。哪些将采用离散值（二进制或多类）使用
DecisionTreeGressor
您能告诉我如何计算DecisionTreeGressor（）精度的方法吗？当然，在这方面，您希望了解“度量”或。这可能有点让人不知所措，但您需要专门寻找“回归”指标。一个常用的度量是。为了使用它，你把实际值和预测传递给它，它会给你一个衡量你做得有多好的指标。