使用Sklearn训练LinearRegression模型时遇ValueError错误求助

问题根源 #

Sklearn的LinearRegression模型仅支持数值型输入特征，你的训练集x_train中包含了字符串类型的分类特征（比如报错里的'Male'，大概率是性别类别的文本标签），模型无法直接将字符串转换为浮点数进行线性回归计算，因此抛出ValueError。

解决方法 #

针对字符串类型的分类特征，有两种常用处理方式，需根据特征类型选择：

1. 独热编码（One-Hot Encoding）—— 适用于无序分类特征

如果特征是无序的（比如性别：男/女、颜色：红/蓝/绿），用独热编码将每个类别转化为二进制特征，避免给无序类别强加数值顺序。

示例代码（用Pandas快速实现）：

import pandas as pd
from sklearn.linear_model import LinearRegression

# 假设包含字符串的列名为'gender'，生成编码后的特征矩阵
x_train_encoded = pd.get_dummies(x_train, columns=['gender'], drop_first=True)
# 训练模型
linearmodel = LinearRegression()
linearmodel.fit(x_train_encoded, y_train)

若要保证训练集和测试集编码一致，推荐用Sklearn的Pipeline+ColumnTransformer：

from sklearn.linear_model import LinearRegression
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import Pipeline

# 定义预处理步骤：对分类列（假设索引为0）做独热编码，其余列保留
preprocessor = ColumnTransformer(
    transformers=[
        ('cat_encoder', OneHotEncoder(sparse_output=False, drop='first'), [0])
    ], remainder='passthrough'
)

# 构建包含预处理和模型的管道
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('regressor', LinearRegression())
])

# 直接训练，管道会自动处理特征编码
model_pipeline.fit(x_train, y_train)

2. 标签编码（Label Encoding）—— 适用于有序分类特征

如果特征是有序的（比如成绩等级：优秀/良好/中等/及格），可以用标签编码将每个类别映射为连续整数。注意：不要用在无序特征上，否则会引入错误的数值逻辑（比如'Male'=0，'Female'=1，模型会错误认为0<1有顺序意义）。

示例代码：

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import LabelEncoder

# 初始化编码器并转换目标列
le = LabelEncoder()
x_train['gender'] = le.fit_transform(x_train['gender'])

# 训练模型
linearmodel = LinearRegression()
linearmodel.fit(x_train, y_train)

内容的提问来源于stack exchange，提问作者Hanatu