视频游戏销量线性回归R²接近零：非数值特征编码问题求助

我正在做视频游戏销量的研究，想用线性回归建模，但自变量都是非数值类型（Publisher、Platform、Genre），试了LabelEncoder后效果极差，R²系数几乎为0。

我的代码 #

vg = video_games.copy()

vg.head()

LE = LabelEncoder()
feature = ["Platform", "Genre", "Publisher"]


for col in feature:
    vg[col] = LE.fit_transform(video_games[col])

print(vg.shape)
data = pd.get_dummies(data=vg, columns=['Platform', 'Genre', 'Publisher'])
print(data.shape) 


IndepVar_train, IndepVar_test, DepVar_train, DepVar_test = train_test_split(IndepVar, DepVar, test_size=.2, random_state=42)
IndepVar_train.shape, DepVar_train.shape, IndepVar_test.shape, DepVar_test.shape

lr = LinearRegression()
lr.fit(IndepVar_train, DepVar_train)
pred = lr.predict(IndepVar_test)
r2_Result = r2_score(DepVar_test,pred)

print(r2_Result)
print(lr.score(IndepVar_test, DepVar_test))

运行结果 #

0.001819941354928023
0.001819941354928023

• 你犯了两个关键错误

  1. 重复编码：先给类别变量做LabelEncoder数值编码，接着又用get_dummies做独热编码，这会让特征完全混乱，模型根本学不到有效信息。
  2. LabelEncoder用错场景：LabelEncoder给类别分配0、1、2这类顺序值，但线性回归会默认这些值有大小关系（比如把编码为0的平台当成比1的差），但实际上Platform、Genre这些类别是无顺序的，这直接误导了模型。

• 正确的编码步骤
  直接对原始的非数值类别列做独热编码，跳过LabelEncoder：

  vg = video_games.copy()
  # 直接对原始类别列做独热编码，drop_first避免多重共线性
  data = pd.get_dummies(data=vg, columns=['Platform', 'Genre', 'Publisher'], drop_first=True)
  
  # 替换成你实际的销量列名，比如'Global_Sales'
  IndepVar = data.drop('销量列名', axis=1)
  DepVar = data['销量列名']
  
  # 拆分数据集
  IndepVar_train, IndepVar_test, DepVar_train, DepVar_test = train_test_split(IndepVar, DepVar, test_size=.2, random_state=42)
  
  # 训练模型
  lr = LinearRegression()
  lr.fit(IndepVar_train, DepVar_train)
  pred = lr.predict(IndepVar_test)
  print(r2_score(DepVar_test,pred))
  print(lr.score(IndepVar_test, DepVar_test))
  

• 额外优化点

  • 如果Publisher数量特别多（比如几百个），独热编码会导致特征爆炸，试试目标编码：用每个Publisher对应的平均销量作为该类别的编码值，既保留信息又不会增加太多特征。
  • 游戏销量通常是右偏分布，对销量做对数转换（np.log1p(DepVar)），让分布更接近正态，能提升线性回归的效果。
  • 考虑加入更多特征：比如发行年份、游戏评分等，单一的类别变量可能不足以解释销量波动。

内容的提问来源于stack exchange，提问作者Faraz