<\/p>\n
Kesalahan umum yang mungkin Anda temui dengan Python adalah:<\/span><\/p>\n Kesalahan ini biasanya terjadi ketika Anda mencoba menggunakan sklearn<\/strong> agar sesuai dengan model klasifikasi<\/a> seperti regresi logistik<\/a> dan nilai yang Anda gunakan untuk variabel respons bersifat kontinu, bukan kategorikal.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Misalkan kita mencoba menggunakan kode berikut agar sesuai dengan model regresi logistik:<\/span><\/p>\n Kami menerima kesalahan karena saat ini nilai variabel respons kami kontinu.<\/span><\/p>\n Ingatlah bahwa model regresi logistik<\/a> mengharuskan nilai variabel respon bersifat kategoris<\/a> sehingga:<\/span><\/p>\n Saat ini, variabel respon kami berisi nilai kontinu seperti 0<\/strong> dan 1.02<\/strong> .<\/span><\/p>\n Cara untuk mengatasi kesalahan ini adalah dengan mengonversi nilai kontinu dari variabel respons menjadi nilai kategorikal menggunakan fungsi LabelEncoder()<\/strong> sklearn<\/strong> :<\/span><\/p>\n Setiap nilai asli sekarang dikodekan sebagai 0<\/strong> atau 1<\/strong> .<\/span><\/p>\n Kami sekarang dapat mengadaptasi model regresi logistik:<\/span><\/p>\n Kali ini kami tidak menerima kesalahan apa pun karena nilai respons model bersifat kategoris.<\/span><\/p>\n Tutorial berikut menjelaskan cara memperbaiki kesalahan umum lainnya dengan Python:<\/span><\/p>\n Cara Memperbaiki: ValueError: Indeks berisi entri duplikat, tidak dapat dibentuk ulang<\/a> Kesalahan umum yang mungkin Anda temui dengan Python adalah: ValueError : Unknown label type: ‘continuous’ Kesalahan ini biasanya terjadi ketika Anda mencoba menggunakan sklearn agar sesuai dengan model klasifikasi seperti regresi logistik dan nilai yang Anda gunakan untuk variabel respons bersifat kontinu, bukan kategorikal. Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya. Bagaimana cara […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n ValueError<\/span> : Unknown label type: 'continuous'\n<\/strong><\/pre>\n Bagaimana cara mereproduksi kesalahan tersebut<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LogisticRegression\n\n#define values for predictor and response variables\n<\/span>x = np. array<\/span> ([[2, 2, 3], [3, 4, 3], [5, 6, 6], [7, 5, 5]])\ny = np. array<\/span> ([0, 1.02, 1.02, 0])\n\n#attempt to fit logistic regression model\n<\/span>classifier = LogisticRegression()\nclassify. fit<\/span> (x,y)\n\nValueError<\/span> : Unknown label type: 'continuous'\n<\/strong><\/span><\/pre>\n\n
Bagaimana cara memperbaiki kesalahan tersebut<\/strong><\/span><\/h3>\n
from<\/span> sklearn import<\/span> preprocessing\nfrom<\/span> sklearn import<\/span> utils\n\n#convert y values to categorical values\n<\/span>lab = preprocessing. LabelEncoder<\/span> ()\ny_transformed = lab. fit_transform<\/span> (y)\n\n#view values transformed\n<\/span>print<\/span> (y_transformed)\n\n[0 1 1 0]\n<\/span><\/span><\/strong><\/pre>\n #fit logistic regression model\nclassifier = LogisticRegression()\nclassify. fit<\/span> (x,y_transformed)<\/span><\/span><\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Memperbaiki: Kesalahan Ketik: Objek String atau Bytes yang Diharapkan<\/a>
Cara Memperbaiki: TypeError: Objek ‘numpy.float64’ tidak dapat dipanggil<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"