多项式朴素贝叶斯与scikit学习连续和分类数据

Question

我是个新手，我正在尝试创建一个多项贝叶斯模型来预测电影票房。下面只是一个玩具示例，我不确定它在逻辑上是否正确(欢迎提出建议！)Y对应于我试图预测的估计总额(1：<$20-2，2：>$20-1)。我还离散化了电影放映的屏幕数量。

问题是，这是解决问题的好方法吗？或者将编号分配给所有类别会更好？另外，在DictVectorizer对象中嵌入标签(例如“电影:馅饼的生活”)是否正确？

def get_data():

    measurements = [ \
    {'movie': 'Life of Pi', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'The Croods', 'screens': "some", 'distributor': "fox"},\
    {'movie': 'San Fransisco', 'screens': "few", 'distributor': "TriStar"},\
    ]
    vec = DictVectorizer()
    arr = vec.fit_transform(measurements).toarray()

    return arr

def predict(X):

    Y = np.array([1, 1, 2])
    clf = MultinomialNB()
    clf.fit(X, Y)
    print(clf.predict(X[2]))

if __name__ == "__main__":
    vector = get_data()
    predict(vector)

Answer 1

我认为，原则上这是正确的。

也许将这个问题表述为票房销售的回归会更自然一些。

movie功能毫无用处。DictVectorizer将每个可能的值编码为不同的特征。由于每部电影都有一个不同的标题，它们都将具有完全独立的功能，并且不可能在那里进行泛化。

将屏幕编码为数字也可能更好，而不是作为不同范围的一次性编码。

不用说，你需要比这里更好的功能才能得到合理的预测。