如何使用连续变量和分类变量作为逻辑回归算法的输入？

Question

我试图在一个小数据集上进行逻辑回归，其中每个实例用一个分类变量(男性、女性)和一个连续变量(频率在0，1之间)和因变量(标签)分别表示为0或1。因此，任务是一个二进制分类问题。下面我分享5-6个例子：

import pandas as pd 
df = pd.read_table('dataset.csv',sep=',')
df.head()


Gender  Frequency  Label
0    Male       0.10      0
1  Female       0.23      1
2  Female       0.35      1
3  Female       0.21      0
4    Male       0.15      1

我的问题是:在执行逻辑回归时，我是否应该对我的连续变量和分类变量进行不同的编码？这些变量中的任何一个都需要特殊的编码吗？或者下面的方法是正确的？

from sklearn.cross_validation import train_test_split
X = df[['Gender','Frequency']] # Features
y = df.Label # Target variable
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=0)

from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
# fit the model with data
logreg.fit(X_train,y_train)

#
y_pred=logreg.predict(X_test)

当我这样做时，回归函数是否理解性别是一个范畴变量，频率是一个连续变量？

编辑：当然，我需要将字符串转换为浮动值。(例如。“男性”-> 0，“女性”-> 1)我要问的是，“我需要做的不是这个吗?我问这个是因为我看到了类似的here，但是线程还没有结束，所以我不能确定答案的有效性。”

Answer 1

在使用logistic回归时，您应该尝试一次编码。您现在正在做的是标签编码，它与ml模型(如决策树或随机森林)完美地工作，但在逻辑回归中可能会引起问题，因为模型可能认为“女性”，即"1“比"0”更重要。

在熊猫中查找滑雪或虚拟变量中的一个热编码。这两种功能都将为男性和女性创建一个单独的专栏。当行中有性别男性时，男性列中的值将变为1，而女性列中的值将变为0，相反则相同。

Male  Female  Frequency  Label
0    1   0    0.10      0
1    0   1    0.23      1
2    0   1    0.35      1
3    0   1    0.21      0
4    1   0    0.15      1