我有一个包含多个变量的大型数据集：物品、地点、质量（1-10的等级），以及一系列日期，如果当天物品未售出则显示“no”，如果售出则显示价格。

我想创建一个线性回归模型，以便根据地点和质量预测价格。我阅读了 scikit-learn 的教程，但对于 fit 函数的输入感到非常困惑。有人能帮帮我吗？

回答：

你需要将数据转换为模型可以处理的数字表示。唯一的问题特征是地点（分类变量），但我们可以用每一地点一列，并使用0和1来表示（所谓的OneHotEncoding）。以下是一个帮助你开始的示例：

预处理

from sklearn.feature_extraction import DictVectorizerdata  = [        {'location': 'store 1', 'quality': 8},        {'location': 'store 1', 'quality': 9},        {'location': 'store 2', 'quality': 2},        {'location': 'store 2', 'quality': 3},        ]prices = [100.00, 99.9, 11.25, 9.99]vec = DictVectorizer()X = vec.fit_transform(data)y = prices

现在 X 将看起来像这样：

╔═════════════════╦═════════════════╦═════════╗║ location=store1 ║ location=store2 ║ quality ║╠═════════════════╬═════════════════╬═════════╣║               1 ║               0 ║       8 ║║               1 ║               0 ║       9 ║║               0 ║               1 ║       2 ║║               0 ║               1 ║       3 ║╚═════════════════╩═════════════════╩═════════╝

模型训练

现在可以将这个矩阵输入到模型中：

from sklearn.linear_model import LinearRegressionmodel = LinearRegression()model.fit(X, y)

预测

新的数据也需要使用相同的 DictVectorizer 转换成数字形式。请注意，现在我们使用 .transform 而不是 .fit_transform：

>>> test_data = [{'location': 'store 2', 'quality': 3}]>>> X_test = vec.transform(test_data)>>> model.predict(X_test)array([ 10.28])

顺便说一下，我会将这个问题作为一个分类问题（已售出/未售出）来处理，然后我会使用回归来仅确定已售出物品的价格。