保险费用预测程序遇字符串转浮点错误，需转分类模型吗？求解决方案

一、解决字符串特征无法转换为数值的问题 #

线性回归模型仅能处理数值型特征，你的数据中sex、smoker、region是字符串类型，必须先将它们转换为数值格式，常用两种编码方式：

1. 独热编码（One-Hot Encoding） #

适合处理无序的多分类特征（比如region），也能处理二元特征，编码后不会引入顺序偏见，用pandas的get_dummies实现最便捷：

import pandas as pd
import numpy as np
from sklearn import linear_model
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv("InsuranceCostCalculator/Insurance.csv")
data = data[["age", "sex", "bmi", "children", "smoker", "region", "charges"]]

# 对字符串特征做独热编码
encoded_data = pd.get_dummies(data, columns=["sex", "smoker", "region"])

# 划分特征和目标变量
predict_col = "charges"
X = encoded_data.drop([predict_col], axis=1).values
Y = encoded_data[predict_col].values

# 拆分数据集
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.1)

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

# 预测并输出结果
predictions = linear_model.predict(x_test)
for idx in range(len(predictions)):
    print(f"预测值: {predictions[idx]:.2f}, 测试特征: {x_test[idx]}, 真实值: {y_test[idx]:.2f}")

2. 标签编码（Label Encoding） #

仅适合处理二元有序/无序特征（比如sex、smoker），将字符串映射为0、1这类数值：

import pandas as pd
import numpy as np
from sklearn import linear_model
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder

data = pd.read_csv("InsuranceCostCalculator/Insurance.csv")
data = data[["age", "sex", "bmi", "children", "smoker", "region", "charges"]]

# 初始化标签编码器
le = LabelEncoder()
# 处理二元特征
data["sex"] = le.fit_transform(data["sex"])
data["smoker"] = le.fit_transform(data["smoker"])
# 多分类特征仍建议用独热编码
data = pd.get_dummies(data, columns=["region"])

# 后续步骤同独热编码版本
predict_col = "charges"
X = data.drop([predict_col], axis=1).values
Y = data[predict_col].values

x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.1)

linear_model = linear_model.LinearRegression()
linear_model.fit(x_train, y_train)

predictions = linear_model.predict(x_test)
for idx in range(len(predictions)):
    print(f"预测值: {predictions[idx]:.2f}, 测试特征: {x_test[idx]}, 真实值: {y_test[idx]:.2f}")

二、关于“必须用分类模型，回归无法实现”的说法 #

这个说法完全错误。保险费用预测的目标变量charges是连续数值（比如几千到几万的费用），这类预测连续值的任务属于属于回归任务，线性回归正是适合这类场景的基础模型；而分类模型是用来预测离散类别（比如是否患病、用户群体划分）的，和当前任务不匹配。

内容的提问来源于stack exchange，提问作者awab