Блог

Главная - Вопросы по программированию - Почему логистическая регрессия выдает ошибку преобразования (valueerror)?

Почему логистическая регрессия выдает ошибку преобразования (valueerror)?

#python #scikit-learn #logistic-regression

#python #scikit-learn #логистическая регрессия

Вопрос:

Я использую логистическую регрессию для компании, чтобы выяснить конкретные переменные, которые приводят к оттоку, используя данные своих клиентов.

Применение аналитического метода и оценочного метода. Аннотируйте данные, показывающие оба метода в результатах

 x = dF.drop("Churn", axis=1)
y = dF["Churn"]

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)

logmodel = LogisticRegression()
logmodel.fit(x_train, y_train)

Вывод:

     C:UsersRebeccaAnaconda3libsite-packagessklearnlinear_modellogistic.py:432: FutureWarning: Default solver will be changed to 'lbfgs' in 0.22. Specify a solver to silence this warning.
      FutureWarning)

    ValueError                                
    Traceback (most recent call last)
    <ipython-input-268-0c050c82a577> in <module>
    ----> 1 logmodel.fit(x_train, y_train)

    ~Anaconda3libsite- 
     packagessklearnlinear_modellogistic.py in fit(self, X, y, sample_weight)
      1530 
      1531         X, y = check_X_y(X, y, 
    accept_sparse='csr', dtype=_dtype, order="C",
    -> 1532                          accept_large_sparse=solver != 'liblinear')
       1533         check_classification_targets(y)
       1534         self.classes_ = np.unique(y)

    ~Anaconda3libsite-packagessklearnutilsvalidation.py in check_X_y(X, y, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, warn_on_dtype, estimator)
    717                     ensure_min_features=ensure_min_features,
    718                     warn_on_dtype=warn_on_dtype,
    --> 719                     estimator=estimator)
    720     if multi_output:
    721         y = check_array(y, 'csr', force_all_finite=True, ensure_2d=False,

    ~Anaconda3libsite-packagessklearnutilsvalidation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    494             try:
    495                 warnings.simplefilter('error', ComplexWarning)
    --> 496                 array = np.asarray(array, dtype=dtype, order=order)
    497             except ComplexWarning:
    498                 raise ValueError("Complex data not supportedn"

    ~Anaconda3libsite-packagesnumpycorenumeric.py in asarray(a, dtype, order)
    536 
    537     """
    --> 538     return array(a, dtype, copy=False, order=order)
    539 
    540 

    ValueError: could not convert string to float: 'Bank transfer (automatic)'

Комментарии:

1. Каково содержимое df фрейма данных?

2. Переменная «Банковский перевод (автоматический)» имеет строковый формат, вы должны выполнить кодировку метки.

3. @BhaskarDhariyal вы можете показать, как это сделать?

4. @Yatin Идентификатор клиента Старший гражданин Партнер Иждивенцы владение Интернетсервис Онлайн Резервный контракт Безбумажный платеж Платежный метод … TechSupport_No интернет-сервис TechSupport_Yes StreamingTV_No StreamingTV_No интернет-сервис StreamingTV_Yes StreamingMovies_No StreamingMovies_No интернет-сервис StreamingMovies_Yes Churn_No Churn_Yes

5. Пожалуйста, отредактируйте это в своем вопросе…

Ответ №1:

Может быть, это могло бы помочь

 from sklearn import preprocessing
le = preprocessing.LabelEncoder()
dF['Bank transfer (automatic)'] =  le.fit_transform(dF['Bank transfer (automatic)'])
x = dF.drop("Churn", axis=1)
y = dF["Churn"]

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=1)

logmodel = LogisticRegression()
logmodel.fit(x_train, y_train)