第1步: 数据预处理
导入库
import pandas as pd
import numpy as np
导入数据集
dataset = pd.read_csv('50_Startups.csv')
X = dataset.iloc[ : , :-1].values
Y = dataset.iloc[ : , 4 ].values
解析分类数据
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder = LabelEncoder()
X[: , 3] = labelencoder.fit_transform(X[ : , 3])
onehotencoder = OneHotEncoder(categorical_features = [3])
X = onehotencoder.fit_transform(X).toarray()
躲避虚拟变量陷阱
X = X[: , 1:]
什么是虚拟变量呢?
一般在引入虚拟变量时要求每一定性变量所需虚拟变量个数比该定性变量的类别数少1,即若有m个定性变量,则只在模型中引入m-1个虚拟变量。如果引入m个虚拟变量,就会导致模型解释变量间出现完全共线性的情况。一般将由于引入虚拟变量个数与定性因素个数相同出现的模型无法估计的问题为“虚拟变量陷阱”。
拆分数据集为训练集和测试集
from sklearn.model_selection import train_test_split
X_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 LinearRegression
regressor = 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)
参考
1 https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day3_Multiple_Linear_Regression.md
2 https://github.com/MachineLearning100/100-Days-Of-ML-Code/blob/master/Code/Day%203_Multiple_Linear_Regression.md
3 计量经济:什么是虚拟变量陷阱 https://zhidao.baidu.com/question/101266684.html