<\/p>\n
Un errore comune che potresti riscontrare in Python \u00e8:<\/span><\/p>\n Questo errore si verifica in genere quando si tenta di utilizzare sklearn<\/strong> per adattare unmodello di classificazione<\/a> comela regressione logistica<\/a> e i valori utilizzati per la variabile di risposta sono continui anzich\u00e9 categorici.<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa sintassi nella pratica.<\/span><\/p>\n Supponiamo di provare a utilizzare il seguente codice per adattare un modello di regressione logistica:<\/span><\/p>\n Stiamo ricevendo un errore perch\u00e9 attualmente i valori della nostra variabile di risposta sono continui.<\/span><\/p>\n Ricordiamo che un modello di regressione logistica<\/a> richiede che i valori della variabile di risposta siano categoriali<\/a> tali che:<\/span><\/p>\n Attualmente, la nostra variabile di risposta contiene valori continui come 0<\/strong> e 1.02<\/strong> .<\/span><\/p>\n Il modo per risolvere questo errore \u00e8 semplicemente convertire i valori continui della variabile di risposta in valori categoriali utilizzando la funzione LabelEncoder()<\/strong> di sklearn<\/strong> :<\/span><\/p>\n Ciascuno dei valori originali \u00e8 ora codificato come 0<\/strong> o 1<\/strong> .<\/span><\/p>\n Possiamo ora adattare il modello di regressione logistica:<\/span><\/p>\n Questa volta non riceviamo alcun errore perch\u00e9 i valori di risposta del modello sono categoriali.<\/span><\/p>\n I seguenti tutorial spiegano come correggere altri errori comuni in Python:<\/span><\/p>\n Come risolvere il problema: ValueError: l’indice contiene voci duplicate, non pu\u00f2 essere rimodellato<\/a> Un errore comune che potresti riscontrare in Python \u00e8: ValueError : Unknown label type: ‘continuous’ Questo errore si verifica in genere quando si tenta di utilizzare sklearn per adattare unmodello di classificazione comela regressione logistica e i valori utilizzati per la variabile di risposta sono continui anzich\u00e9 categorici. L’esempio seguente mostra come utilizzare questa sintassi […]<\/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 Come riprodurre l’errore<\/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
Come correggere l’errore<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come risolvere il problema: Errore di tipo: oggetto stringa o byte previsto<\/a>
Come risolvere il problema: TypeError: l’oggetto “numpy.float64” non \u00e8 richiamabile<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"