使用pandas开展多元线性回归时触发DataFrame真值歧义ValueError问题咨询

• 直接触发当前报错的核心错误：scikit-learn的LinearRegression类初始化时，根本不接受训练特征、标签作为入参。你在初始化模型时写的linear_model.LinearRegression(x,y)，在早期版本的scikit-learn运行环境中，会把第一个传入的特征DataFrame赋值给本该接收布尔值的fit_intercept参数（用于控制是否计算模型截距），第二个传入的标签DataFrame赋值给后续的参数位。等到模型执行fit逻辑、对fit_intercept做真值判断时，就会因无法确定DataFrame的布尔值状态，抛出对应的ValueError。
• 后续运行必然触发的潜在问题：你选取的City列是文本类分类变量，没有做编码转换的话，即使修好初始化参数的错误，模型也会因为无法识别字符串类型的特征值抛出类型不匹配错误。

from sklearn import linear_model
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
import pandas as pd

# 读取数据集
data = pd.read_csv('manydatas.csv')

# 划分特征与标签
X = data[['Bedrooms', 'City', 'Age']]
y = data['Selling Price']

# 对文本分类列City做独热编码，保留数值列原样输入模型
feature_processor = ColumnTransformer(
    transformers=[
        ('city_encoder', OneHotEncoder(drop='first'), ['City'])
    ],
    remainder='passthrough'
)

# 正确初始化模型：仅传入模型超参数，不传入训练数据
line = linear_model.LinearRegression()
# 先完成特征编码，再将处理后的特征与标签传入fit方法
processed_X = feature_processor.fit_transform(X)
line.fit(processed_X, y)

• 当数据集规模超出内存承载上限时，可以通过pandas的分块读取功能加载数据，逐批次传入fit方法完成模型训练，不需要一次性将全量数据载入内存。
• 当样本量达到十万级以上，可换用基于随机梯度下降的SGDRegressor替代普通线性回归，进一步降低大样本下的训练耗时。
• 训练完成后可直接通过line.coef_、line.intercept_获取回归模型的系数与截距，对接后续预测逻辑开发。

内容的提问来源于stack exchange，提问作者dbzfan2012