拟合逻辑回归模型时触发Unknown label type: 'continuous'报错

• 根因：scikit-learn中的LogisticRegression属于分类算法，仅支持传入离散型的分类标签作为拟合目标，你传入的Price_train是连续数值类型，因此抛出ValueError: Unknown label type: 'continuous'异常。
• 代码同时存在多处顺序/逻辑错误，会导致后续即使解决标签类型问题也无法正常运行：
  • 变量定义顺序完全颠倒：先执行train_test_split拆分Mileage、Price变量，之后才调用load_iris()覆盖Mileage、price变量，拆分得到的训练测试集和鸢尾花数据集无任何关联。
  • 未初始化分类器实例：代码直接调用classifier.fit()，但从未实例化LogisticRegression类创建classifier对象。
  • 测试集标准化逻辑错误：测试集标准化需要复用训练集拟合得到的均值、方差参数，直接对测试集执行fit_transform会造成数据分布偏移，导致模型效果失真。

根据你的任务目标二选一调整即可：

• 如果你要做鸢尾花分类任务：调整代码执行顺序，修正逻辑错误，参考完整可运行代码如下：

import numpy as np
import pandas as pd
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

# 第一步：加载特征和标签
X, y = load_iris(return_X_y=True)
# 第二步：拆分训练、测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
# 第三步：特征标准化
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
# 第四步：初始化分类器并拟合
classifier = LogisticRegression()
classifier.fit(X_train, y_train)

• 如果你实际要做基于里程数预测价格的连续值预测任务：逻辑回归不适用，需要替换为回归类算法，比如使用from sklearn.linear_model import LinearRegression导入线性回归模型，此时连续型的价格标签可以正常传入拟合。

内容的提问来源于stack exchange，提问作者Arunima Saxena