你好，我在跟随Andrew Ng的机器学习课程学习。我发现，在回归问题中，尤其是逻辑回归中，他们使用了整数值作为特征，这些特征可以绘制在图表上。但在很多情况下，特征值可能不是整数。
让我们考虑以下示例：
我想建立一个模型来预测某个人今天是否会请假。通过我的历史数据，我可能会发现以下特征有助于构建训练集。
人的姓名，星期几，他至今剩余的假期数量（这可能是一个持续减少的变量）等。
基于上述内容，以下是几个问题
-
我该如何设计我的逻辑回归模型的训练集？
-
在我的训练集中，我发现有些变量是持续减少的（例如剩余假期数量）。这会造成任何问题吗？因为我知道持续增加或减少的变量在线性回归中使用。这是真的吗？
任何帮助都非常感激。谢谢！
回答：
嗯，你的问题中缺少很多信息，例如，如果你提供了所有你拥有的特征，情况会更加清晰，但让我大胆地做一些假设吧！
分类中的机器学习建模总是需要处理数值输入，你可以很容易地将每个唯一的输入推断为整数，特别是类别！
现在让我尝试回答你的问题：
- 我该如何设计我的逻辑回归模型的训练集？
在我看来，你有两个选择（*并非都实用，你应该根据你拥有的数据集和问题来决定*），要么你根据历史数据（即之前的观察）预测公司中所有将在某一天休假的员工的概率，在这种情况下，每个员工将代表一个类别（*从0到你想要包含的员工数量的整数*）。*或者*你为每个员工创建一个模型，在这种情况下，类别将是休假（即请假）或上班（即出勤）。
示例1
我创建了一个包含70个案例和*4*个员工的数据集示例，看起来像这样：
这里每个名字都与他们休假的日期和月份相关联，显示他们剩余的年假数量！
实现（使用Scikit-Learn）会是这样的（*注意：日期仅包含日和月*）：
现在我们可以这样做：
import mathimport pandas as pdimport numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import GridSearchCV, RepeatedStratifiedKFold# read dataset exampledf = 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 modelparameters = {'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 formatprob = 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}注意要使这个*相对*有效，你需要一个真正大的数据集！
如果数据集中有其他*信息量大的*特征（例如，员工当天的健康状况等），这也可能比第二个选项更好。
第二个选项是为每个员工创建一个模型，在这种情况下，结果将更准确，更可靠，但如果员工数量太多，这几乎是一个噩梦！
对于每个员工，你收集他们过去几年所有的假期数据并将它们合并到一个文件中，在这种情况下，你必须补全一年中的所有日期，换句话说：对于员工从未休过的每一天，那天应该被标记为*上班*（或数值上讲为1），而对于休假的日子，它们应该被标记为*休假*（或数值上讲为0）。
显然，在这种情况下，每个员工的模型的类别将是*0*和*1*（即上班和休假）！
例如，考虑这个特定员工*Jack*的数据集示例：
示例2
然后你可以这样做，例如：
import pandas as pdimport numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.model_selection import GridSearchCV, RepeatedStratifiedKFold# read dataset exampledf = 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 modelparameters = {'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 todayprob = clf.best_estimator_.predict_proba([[10, 9, 11]])print({'Off': prob[0,0], 'On': prob[0,1]})结果
{'On': 0.33348, 'Off': 0.66651}注意在这种情况下，你必须为每个员工创建一个数据集 + 训练特定的模型 + 将过去几年从未休过的所有天数填充为休假！
- 在我的训练集中，我发现有些变量是持续减少的（例如剩余假期数量）。这会造成任何问题吗？因为我知道持续增加或减少的变量在线性回归中使用。这是真的吗？
嗯，没有什么能阻止你将连续值（*例如假期数量*）用作逻辑回归中的特征；实际上，无论是在线性回归还是逻辑回归中使用它都没有区别，但我相信你对*特征*和*响应*感到困惑了：
关键是，逻辑回归的*响应*（也称为依赖变量或y）应该使用离散值，而线性回归的*响应*应该使用连续值。
