使用Scikit-Learn的SVR，如何將預測目標中的分類和連續特徵結合起來？

我想用支持向量機來解決一個迴歸問題，根據一些混合了分類和連續的特徵來預測教師的收入。例如，我有[白色，亞洲，西班牙裔，黑色]，＃年教學和多年教育。使用Scikit-Learn的SVR，如何將預測目標中的分類和連續特徵結合起來？

對於分類，我使用了sci-kit的預處理模塊，並對4個種族進行了熱門編碼。在這種情況下，對於白老師來說，它看起來像[1,0,0,0]，因此我有一個{[1,0,0,0]，[0,1,0,0] ，... [0,0,1,0]，[1,0,0,0]}，表示爲SVR編碼的每個教師的種族。我可以按照種族與收入進行迴歸，例如：

clf= SVR(C=1.0) 
clf.fit(racearray, income)

我也可以使用量化特徵進行迴歸。不過，我不知道如何將功能結合在一起，即

continousarray(zip(yearsteaching,yearseduction)) 
clf.fit((racearray, continousarray), income)

來源

2015-04-23 Zooey Lee

可以使用scikit學習的OneHotEncoder。如果你的數據在numpy的數組「racearray」和列

[contionus_feature1，contious_feature2，分類， continous_feature3]

你的代碼應該像（記住，numpy的枚舉開頭0）

from sklearn.preprocessing import OneHotEncoder 
enc = OneHotEncoder(categorical_features=[2]) 
race_encoded = enc.fit_transform(racearay)

，那麼你可以看看你的race_encode陣列像往常一樣，用它作爲SVR

clf= SVR(C=1.0) 
clf.fit(race_encoded, income)

來源

2015-04-24 15:14:42 lanenok

謝謝你。你認爲你可以詳細說明我將如何混合這兩種類型的功能？從我正在閱讀的內容中，我應該有一個所有輸入的向量，即[contionus_feature1，contious_feature2，categorical，continous_feature3]。然後，我會編碼該特徵，指定我的分類在第3列，並使用該編碼矩陣作爲SVR的「混合」最終輸入向量？ –

@Zooey Lee我在回覆信箱中發佈了回覆 – lanenok

非常感謝！ –

使用Scikit-Learn的SVR，如何將預測目標中的分類和連續特徵結合起來？

回答

相關問題