machine-learning - 在逻辑回归中混合二元和非二元特征

标签 machine-learning classification logistic-regression feature-extraction feature-detection

我有一些二元特征(0 或 1)和一些值在 0 到 1 之间的非二元特征(例如 0.24)。我使用 Weka 逻辑回归对具有所有这些特征的实例进行分类。工作正常吗?

谢谢

最佳答案

如何有效地结合分类和数字特征的问题是一个开放的研究问题。但是,在您的情况下,您已经决定将分类编码为 0/1 并保留为 x e [0, 1] ,没有什么可“担心”的。这是逻辑回归的有效应用。请记住,不能保证这是表示数据的最佳方式。它会起作用,但是某些特定的权重可能会更好,但这纯粹依赖于数据属性,无法轻易回答。

关于machine-learning - 在逻辑回归中混合二元和非二元特征,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38810800/

相关文章:

python - 错误:tensorflow:Couldn't understand architecture name '.50_%image_size%'

machine-learning - 如何比较基于缺失数据的特征训练的分类器?

search - 搜索引擎的相关性排名和推荐系统之间的区别

python - 如何在 tensorflow 中可视化估计器训练模型?

opencv - ENCOG(或任何框架)中的图像分类示例?

nlp - 可增量训练的实体识别分类器

python - 使用 GDAL 和 Python 的最小距离算法

python - `statsmodels` 和 `sklearn` 中的 Logit 估计器

machine-learning - 分类器中的 scikit-learn retrofit /部分拟合选项

python - 虚拟变量水平不存在于未见数据中