本文共 2513 字，大约阅读时间需要 8 分钟。

一、具体实现步骤

第1步：数据预处理

导入库

import pandas as pdimport numpy as np

导入数据集

dataset = pd.read_csv('50_Startups.csv')X = dataset.iloc[ : , :-1].valuesY = dataset.iloc[ : ,  4 ].values

将类别数据数字化

from sklearn.preprocessing import LabelEncoder, OneHotEncoderlabelencoder = LabelEncoder()X[: , 3] = labelencoder.fit_transform(X[ : , 3])#表示对第4个特征进进行OneHot编码onehotencoder = OneHotEncoder(categorical_features = [3])X = onehotencoder.fit_transform(X).toarray()

躲避虚拟变量陷阱

X = X[: , 1:]

拆分数据集为训练集和测试集

from sklearn.model_selection import train_test_splitX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

第2步： 在训练集上训练多元线性回归模型

from sklearn.linear_model import LinearRegressionregressor = LinearRegression()regressor.fit(X_train, Y_train)

第3步：在测试集上预测结果

y_pred = regressor.predict(X_test)

二、知识点详解

1. 关于多元线性回归

简单线性回归：影响Y的因素唯一，只有一个。

与一元线性回归一样，多元线性回归自然是一个回归问题。

一元线性回归方程：Y=aX+b。

相当于我们高中学的一元一次方程，变成了n元一次方程。因为y还是那个y。只是自变量增加了。

2. 关于OneHotEncoder()编码

在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，通常我们需要对其进行特征数字化，如下面的例子：

有如下三个特征属性：

• 性别：[“male”，“female”]
• 地区：[“Europe”，“US”，“Asia”]
• 浏览器：[“Firefox”，“Chrome”，“Safari”，“Internet Explorer”]

通过LabelEncoder将其数字化：

• 性别：[0，1]
• 地区：[0，1，2]
• 浏览器：[0，1，2，3]

再用OneHotEncoder进行编码：

from sklearn.preprocessing import  OneHotEncoderenc = OneHotEncoder()enc.fit([[0, 0, 3],         [1, 1, 0],         [0, 2, 1],         [1, 0, 2]])"""如果不加 toarray() 的话，输出的是稀疏的存储格式，即索引加值的形式，也可以通过参数指定 sparse = False 来达到同样的效果"""ans = enc.transform([[0, 1, 3]]).toarray()  print(ans) # 输出 [[ 1.  0.  0.  1.  0.  0.  0.  0.  1.]]

解释：对于输入数组，这依旧是把每一行当作一个样本，每一列当作一个特征。

• 我们先来看第一个特征，即第一列 [0,1,0,1]，也就是说它有两个取值 0 或者 1，那么 one-hot 就会使用两位来表示这个特征，[1,0] 表示 0， [0,1] 表示 1，在上例输出结果中的前两位 [1,0…] 也就是表示该特征为 0。
• 第二个特征，第二列 [0,1,2,0]，它有三种值，那么 one-hot 就会使用三位来表示这个特征，[1,0,0] 表示 0， [0,1,0] 表示 1，[0,0,1] 表示 2，在上例输出结果中的第三位到第六位 […0,1,0,0…] 也就是表示该特征为 1。
• 第二个特征，第三列 [3,0,1,2]，它有四种值，那么 one-hot 就会使用四位来表示这个特征，[1,0,0,0] 表示 0， [0,1,0,0] 表示 1，[0,0,1,0] 表示 2，[0,0,0,1] 表示 3，在上例输出结果中的最后四位 […0,0,0,1] 也就是表示该特征为 3

可以简单理解为“male”“US”“Safari”经过LabelEncoder与OneHotEncoder的编码就变成了：[[1. 0. 0. 1. 0. 0. 0. 0. 1.]]

更多OneHot编码知识可前往：

3. 关于toarray()

toarray()：将列表转化为数组

Python原生没有数组的概念，这点不同于Java之类的面向对象语言。Python中原生的列表使用起来很像数组，但是两者有本质的区别

列表与数组的最本质的区别：列表中的所有元素的内存地址可以不是连续的，而数组是连续的。

更详细的解释：

4. 虚拟变量陷阱

虚拟变量陷阱是指两个以上（包括两个）变量之间高度相关的情形。简而言之，就是存在一个能被其他变量预测出的变量，举一个存在重复类别（变量）的直观例子：假使我们舍弃男性类别，那么该类别也可以通过女性类别来定义（女性值为0时，表示男性，为1时，表示女性），反之亦然。

虚拟变量陷阱这里就简单了解，后面再深入讨论。

转载地址：https://mtyjkh.blog.csdn.net/article/details/82775192 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！