python - 使用 sklearn - python 具有分类特征的多元线性回归

Question

我有一个数据集，其中每个文档都有相应的分数/评级

dataset = [
   {"text":"I don't like this small device", "rating":"2"},
   {"text":"Really love this large device", "rating":"5"},
   ....
]

此外，我还有一个从同一数据集中的 text 变量中提取的术语列表类别(变量)

x1 = [short, slim, small, shrink]
x2 = [big,huge,large]

那么，如何使用多个自变量作为单词列表(或代表相应术语列表中任何单词存在的变量，因为列表中的每个术语都是unique )和因变量作为评级。换句话说

how could I evaluate term lists impact on the rating with sklearn

我使用 TfidfVectorizer 来导出文档术语矩阵。如果可能，请提供简单的代码片段或示例。

Answer 1

鉴于评论中的讨论，似乎解释应该是每个列表定义一个二进制变量，其值取决于列表中的任何单词是否出现在相关文本中。因此，让我们首先更改文本，以便单词实际出现:

dataset = [
   {"text": "I don't like this large device", "rating": "2"},
   {"text": "Really love this small device", "rating": "5"},
   {"text": "Some other text", "rating": "3"}
]

为了简化我们的工作，我们将这些数据加载到数据框中，将评级更改为整数，并创建相关变量:

df = pd.DataFrame(dataset)
df['rating'] = df['rating'].astype(int)
df['text'] = df['text'].str.split().apply(set)
x1 = ['short', 'slim', 'small', 'shrink']
x2 = ['big', 'huge', 'large']
df['x1'] =  df.text.apply(lambda x: x.intersection(x1)).astype(bool)
df['x2'] =  df.text.apply(lambda x: x.intersection(x2)).astype(bool)

也就是说，此时df就是下面的数据框:

   rating                                   text     x1     x2
0       2  {this, large, don't, like, device, I}  False   True
1       5    {this, small, love, Really, device}   True  False
2       3                    {other, Some, text}  False  False

这样，我们就可以创建相关模型，并检查系数最终是多少:

model = LinearRegression()
model.fit(df[['x1', 'x2']], df.rating)
print(model.coef_)  # array([ 2., -1.])
print(model.intercept_)  # 3.0

正如评论中提到的，这个东西最多会产生四个评级，每个 x1 和 x2 的组合为 True 或False。在这种情况下，所有可能的输出都是整数，但一般来说，它们不需要，也不需要被限制在感兴趣的区间内。考虑到评级的顺序性质，这确实是某种 ordinal regression 的情况。 (例如 mord )。