当前位置：首页 > news >正文

【机器学习-线性回归-2】理解线性回归中的连续值与离散值

news 来源：原创 2025/4/28 16:45:38

线性回归是机器学习中最基础且广泛应用的算法之一，它通过建立自变量与因变量之间的线性关系来进行预测。在实际应用中，我们处理的数据既包含连续值也包含离散值，正确处理这些不同类型的特征对于构建有效的线性回归模型至关重要。本文将深入探讨线性回归中如何处理连续值和离散值，以及相关的技术细节和最佳实践。

1. 连续值在线性回归中的应用

1.1 什么是连续值？

连续值是指可以在一定范围内取任意实数的变量，如温度、身高、体重等。这些值理论上可以无限细分，具有明确的数学意义和可计算的差异。

1.2 连续值的标准化与归一化

在线性回归中，连续特征通常需要经过预处理：

from sklearn.preprocessing import StandardScaler, MinMaxScaler# 标准化（Z-score标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 归一化（Min-Max缩放）
normalizer = MinMaxScaler(feature_range=(0, 1))
X_normalized = normalizer.fit_transform(X)

标准化将数据转换为均值为0，标准差为1的分布，公式为：

z=x−μσz=σ**x−μ

归一化将数据缩放到固定范围（通常是[0,1]），公式为：

x′=x−min(x)max(x)−min(x)x′=ma**x(x)−min(x)x−min(x)

1.3 连续值的多项式扩展

对于非线性关系，可以对连续特征进行多项式扩展：

from sklearn.preprocessing import PolynomialFeaturespoly = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly.fit_transform(X[['continuous_feature']])

这将创建原始特征及其平方项，帮助模型捕捉非线性关系。

2. 离散值在线性回归中的处理

2.1 什么是离散值？

离散值是指有限或可数个可能取值的变量，如性别（男/女）、颜色类别（红/绿/蓝）等。离散值又可分为：

有序离散值（如教育程度：小学<中学<大学）
无序离散值（如城市名称：北京、上海、广州）

2.2 独热编码（One-Hot Encoding）

对于无序离散特征，最常用的处理方法是独热编码：

from sklearn.preprocessing import OneHotEncoderencoder = OneHotEncoder(sparse=False, drop='first')
X_encoded = encoder.fit_transform(X[['categorical_feature']])

独热编码为每个类别创建一个二进制列，避免模型误认为类别间存在数值关系。

2.3 标签编码（Label Encoding）

对于有序离散特征，可以使用标签编码：

from sklearn.preprocessing import OrdinalEncoderencoder = OrdinalEncoder(categories=[['low', 'medium', 'high']])
X_encoded = encoder.fit_transform(X[['ordinal_feature']])

标签编码将有序类别转换为有序数字，保留类别间的顺序信息。

2.4 目标编码（Target Encoding）

对于高基数分类变量（即类别非常多的情况），可以考虑目标编码：

from category_encoders import TargetEncoderencoder = TargetEncoder()
X_encoded = encoder.fit_transform(X['high_cardinality_feature'], y)

目标编码用目标变量的统计量（如均值）代替类别值，但需注意防止过拟合。

3. 连续值与离散值的交互作用

3.1 创建交互特征

线性回归可以捕捉连续和离散特征间的交互作用：

import pandas as pd# 创建交互项
df['interaction'] = df['continuous_feature'] * df['encoded_categorical_feature']

3.2 分组线性回归

对于重要离散特征的不同类别，可以拟合不同的回归线：

import statsmodels.formula.api as smfmodel = smf.ols('target ~ continuous_feature * categorical_feature', data=df).fit()

4. 实践建议与常见陷阱

4.1 最佳实践

预处理流程：
- 对连续特征：缺失值填充→异常值处理→标准化/归一化
- 对离散特征：缺失值填充→编码处理
特征选择：
- 使用正则化（L1/L2）自动选择重要特征
- 对于高基数分类变量，考虑目标编码或频率编码
模型诊断：
- 检查残差图验证线性假设
- 使用VIF（方差膨胀因子）检测多重共线性

4.2 常见陷阱

忽略离散特征的有序性：错误地对有序离散特征使用独热编码会丢失顺序信息。
虚拟变量陷阱：当使用独热编码时，如果不丢弃一个类别（设置drop='first'），会导致完美多重共线性。
忽略特征尺度：不同尺度的连续特征会使得回归系数难以直接比较。
过度依赖线性假设：当真实关系非线性时，纯线性模型表现不佳，应考虑添加多项式项或使用其他算法。

5. 案例研究：房价预测

让我们通过一个简化的房价预测示例展示如何处理混合类型特征：

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler,OrdinalEncoder,OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split# 假设数据包含连续和离散特征
data = {'area': [1200, 1500, 1800, 2000],  # 连续'bedrooms': [2, 3, 3, 4],          # 有序离散'district': ['A', 'B', 'A', 'C'],   # 无序离散'price': [300000, 400000, 450000, 500000]
}
df = pd.DataFrame(data)# 定义预处理
preprocessor = ColumnTransformer(transformers=[('num', StandardScaler(), ['area']),('ordinal', OrdinalEncoder(), ['bedrooms']),('cat', OneHotEncoder(drop='first'), ['district'])])# 创建管道
model = Pipeline([('preprocessor', preprocessor),('regressor', LinearRegression())
])# 训练模型
X = df.drop('price', axis=1)
y = df['price']
model.fit(X, y)