逻辑回归可以用于包含列表的变量吗？
Can logistic regression be used for variables containing lists?
我是机器学习的新手，我想知道某些 algorithms/models（即逻辑回归）是否可以将列表作为其变量的值来处理。直到现在，我一直使用非常标准的数据集，其中有几个变量、关联值，然后是这些值集的分类（查看示例 1）。但是，我现在有一个类似的数据集，但其中包含一些变量的列表（查看示例 2）。这是逻辑回归模型可以处理的，还是我必须进行某种特征提取才能将此数据集转换为示例 1 中的普通数据集？
例1（正常）：
+---+------+------+------+-----------------+
| | var1 | var2 | var3 | classification |
+---+------+------+------+-----------------+
| 1 | 5 | 2 | 526 | 0 |
| 2 | 6 | 1 | 686 | 0 |
| 3 | 1 | 9 | 121 | 1 |
| 4 | 3 | 11 | 99 | 0 |
+---+------+------+------+-----------------+
示例 2（列表）：
+-----+-------+--------+---------------------+-----------------+--------+
| | width | height | hlines | vlines | class |
+-----+-------+--------+---------------------+-----------------+--------+
| 1 | 115 | 280 | [125, 263, 699] | [125, 263, 699] | 1 |
| 2 | 563 | 390 | [11, 211] | [156, 253, 399] | 0 |
| 3 | 523 | 489 | [125, 255, 698] | [356] | 1 |
| 4 | 289 | 365 | [127, 698, 11, 136] | [458, 698] | 0 |
| ... | ... | ... | ... | ... | ... |
+-----+-------+--------+---------------------+-----------------+--------+
为我的具体问题提供一些额外的背景信息。我正在尝试代表图纸。绘图有宽度和高度（常规变量），但绘图也有一组水平线和垂直线（例如，表示为它们在各自轴上的坐标列表）。这就是您在示例 2 中看到的。我使用的实际数据集更大，还包含变量，这些变量包含包含每条线的粗细的列表、包含每条线的扩展名的列表、包含线之间空格颜色的列表线条等。最后，我想通过我的逻辑回归来了解是什么导致了漂亮的绘图。例如，如果线条太多太靠近，则绘图效果不佳。该模型应该根据这些 'characteristics' 来判断好图和坏图的区别。
我没有包括这些，因为这个数据的设置方式有点难以解释，如果我能解决我对上述数据集的问题，我觉得我可以将这个解决方案的原理用于剩余的数据集以及。但是，如果您需要其他（完整）详细信息，请随时询问！
提前致谢！
不，它不能直接处理那种输入结构。输入必须是均匀的二维数组。您可以做的是想出 新 功能来捕获列表中包含的一些相关信息。例如，对于包含沿轴的线坐标（实际值本身除外）的列表，可以是线之间的间距，或线的总数或一些统计数据，例如平均位置等。
所以解决这个问题的办法就是通过feature engineering。这实际上是大多数情况下必须处理的事情。在许多 ML 问题中，您可能不仅有描述每个数据样本的 独特 方面或特征的变量，而且其中许多可能是 聚合 来自其他特征或样本组，如果您想考虑某些数据源，这可能是唯一的方法。
哇，好问题。我从来没有考虑过这一点，但当我看到其他人的反应时，我不得不同意，100%。将列表转换为数据框，然后 运行 您在该对象上的代码。
import pandas as pd
data = [["col1", "col2", "col3"], [0, 1, 2],[3, 4, 5]]
column_names = data.pop(0)
df = pd.DataFrame(data, columns=column_names)
print(df)
结果：
col1 col2 col3
0 0 1 2
1 3 4 5
您可以轻松地对数据框的 fields/features 进行任何多元回归，您将获得所需的结果。有关如何开始的一些想法，请参阅下面的 link。
https://pythonfordatascience.org/logistic-regression-python/
Post 如果您有与此相关的其他问题，请返回。或者，如果您有类似但不相关的问题，请开始新的 post。
我是机器学习的新手，我想知道某些 algorithms/models（即逻辑回归）是否可以将列表作为其变量的值来处理。直到现在，我一直使用非常标准的数据集，其中有几个变量、关联值，然后是这些值集的分类（查看示例 1）。但是，我现在有一个类似的数据集，但其中包含一些变量的列表（查看示例 2）。这是逻辑回归模型可以处理的，还是我必须进行某种特征提取才能将此数据集转换为示例 1 中的普通数据集？
例1（正常）：
+---+------+------+------+-----------------+
| | var1 | var2 | var3 | classification |
+---+------+------+------+-----------------+
| 1 | 5 | 2 | 526 | 0 |
| 2 | 6 | 1 | 686 | 0 |
| 3 | 1 | 9 | 121 | 1 |
| 4 | 3 | 11 | 99 | 0 |
+---+------+------+------+-----------------+
示例 2（列表）：
+-----+-------+--------+---------------------+-----------------+--------+
| | width | height | hlines | vlines | class |
+-----+-------+--------+---------------------+-----------------+--------+
| 1 | 115 | 280 | [125, 263, 699] | [125, 263, 699] | 1 |
| 2 | 563 | 390 | [11, 211] | [156, 253, 399] | 0 |
| 3 | 523 | 489 | [125, 255, 698] | [356] | 1 |
| 4 | 289 | 365 | [127, 698, 11, 136] | [458, 698] | 0 |
| ... | ... | ... | ... | ... | ... |
+-----+-------+--------+---------------------+-----------------+--------+
为我的具体问题提供一些额外的背景信息。我正在尝试代表图纸。绘图有宽度和高度（常规变量），但绘图也有一组水平线和垂直线（例如，表示为它们在各自轴上的坐标列表）。这就是您在示例 2 中看到的。我使用的实际数据集更大，还包含变量，这些变量包含包含每条线的粗细的列表、包含每条线的扩展名的列表、包含线之间空格颜色的列表线条等。最后，我想通过我的逻辑回归来了解是什么导致了漂亮的绘图。例如，如果线条太多太靠近，则绘图效果不佳。该模型应该根据这些 'characteristics' 来判断好图和坏图的区别。
我没有包括这些，因为这个数据的设置方式有点难以解释，如果我能解决我对上述数据集的问题，我觉得我可以将这个解决方案的原理用于剩余的数据集以及。但是，如果您需要其他（完整）详细信息，请随时询问！
提前致谢！
不，它不能直接处理那种输入结构。输入必须是均匀的二维数组。您可以做的是想出 新 功能来捕获列表中包含的一些相关信息。例如，对于包含沿轴的线坐标（实际值本身除外）的列表，可以是线之间的间距，或线的总数或一些统计数据，例如平均位置等。
所以解决这个问题的办法就是通过feature engineering。这实际上是大多数情况下必须处理的事情。在许多 ML 问题中，您可能不仅有描述每个数据样本的 独特 方面或特征的变量，而且其中许多可能是 聚合 来自其他特征或样本组，如果您想考虑某些数据源，这可能是唯一的方法。
哇，好问题。我从来没有考虑过这一点，但当我看到其他人的反应时，我不得不同意，100%。将列表转换为数据框，然后 运行 您在该对象上的代码。
import pandas as pd
data = [["col1", "col2", "col3"], [0, 1, 2],[3, 4, 5]]
column_names = data.pop(0)
df = pd.DataFrame(data, columns=column_names)
print(df)
结果：
col1 col2 col3
0 0 1 2
1 3 4 5
您可以轻松地对数据框的 fields/features 进行任何多元回归，您将获得所需的结果。有关如何开始的一些想法，请参阅下面的 link。
https://pythonfordatascience.org/logistic-regression-python/
Post 如果您有与此相关的其他问题，请返回。或者，如果您有类似但不相关的问题，请开始新的 post。