機器學習 03 Moultiple Linear Regression
阿新 • • 發佈：2020-10-09
提示：文章寫完後，目錄可以自動生成，如何生成可參考右邊的幫助文件
文章目錄
機器學習03 Multiple Linear Regression
提示：
多元線性迴歸；LabelEncoder; OneHotEncoder
提示：以下是本篇文章正文內容，下面案例可供參考
一、程式碼問題
示例：pandas 是基於NumPy 的一種工具，該工具是為了解決資料分析任務而建立的。
二、使用步驟
1.引入庫
將類別型變數進行One-Hot 編碼過程中程式碼出現問題，進行如上修改即可以執行，參考連結： 新增連結描述
2.LabelEncoder VS OneHotEncoder
程式碼如下（示例）：
參考連結如下：
新增連結描述
解釋: LabelEncoer因為過多的考慮了類別不同賦予不同的值，將原始類別變數引入數值大小的比較，所以可考慮OneHotEncoder，並且實際操作中需要先將變臉轉為Label後再轉為OneHot
新增連結描述
解釋: 類比兩者的差異，著重講述OneHot, 理解enc.n_values_，enc.feature_indices_，通過理解enc.feature_indices_，可以知道onehot也存在問題，使得資料變得比較稀疏。
新增連結描述
解釋： 瞭解什麼是虛擬變數陷阱，對虛擬變數的解釋可以看PPT 新增連結描述，對於這個案例來說，存在所謂的虛擬變數陷阱。意思就是：其實state只有3種取值，理論上2位二進位制就可以表示，而這裡用100，010，001三種表示。其實若把第一位統一去掉，變為00，10，01也是可以區分的。所以這裡需要做一個處理：
躲避虛擬變數陷阱,把第一列去掉了
X = X[: , 1:]
該處使用的url網路請求的資料。