python - float 分类器

Question

关闭。这个问题需要多问 focused 。目前不接受答案。

---

想要改进此问题吗？更新问题，使其仅关注一个问题 editing this post .

已关闭 4 年前。

Improve this question

我的数据集包含 1 个特征和 N 个样本。我试图从“功能”列预测下面的“目标”列。所有值都是 1 到 4 之间的 float :例如 1.2、2.2 等

target     feature    
0.0          0.0
6.0          8.0
7.2          1.0
2.3          2.0
1.1          5.0
5.0          1.0
0.0          0.0
0.0          1.0
0.0          0.0

我正在使用 scikit-learn。我得到的错误是(使用 DecisionTreeClassifier 或 RandomForest):

ValueError("Unknown label type: %r" % y_type)
ValueError: Unknown label type: 'continuous'

我无法让任何分类器来处理这些数据，除非我将它们转换为字符串或整数。​但是，我需要能够预测这些小数点​，所以这不是一个选项。

​我是机器学习的初学者，想确保我在这个过程中不会犯任何愚蠢的错误。

• 首先:将这些 float 转换为字符串并简单地对这些字符串运行分类器是否正确？ (例如，随机森林...)此方法有哪些注意事项？
• 我可以在 float 上运行哪些分类器？
• 我应该使用回归器吗？

​谢谢!​

Answer 1

我相信您将分类问题误认为是回归问题。如果您想要预测的最终标签也是浮点值，那么我猜您将回归问题误认为是分类问题。

此外，您不能简单地将 float 转换为字符串，因为

• 将它们转换为字符串会将它们转换为分类值，这是完全错误的，因为底层数据模式只会丢失。

• 此外，浮点值是数值，应该属于某种序列。将它们更改为字符串必然会导致在转换过程中丢失此信息。

• 此外，大多数分类器将分类变量转换为某种编码(例如 one-hot 编码)。将浮点值转换为字符串，然后转换为另一种编码会引入不必要的噪音(除了算法错误之外)

几乎所有分类器都可以处理 float 数据。但是，它们可能不适用于您的情况，因为这是一个回归问题而不是分类问题。以下是 K-means 的实现, SVC和 Random forest在具有 float 数据的 iris 数据集上，但这是一个分类问题。

尝试使用任何回归器，你会发现你的问题取得了一些成功