值错误：未知标签类型："连续"使用数字孪生和射频

Question

我正在尝试创建一个决策树，下面是我的代码:

X=updated[['dayofthemonth','hour']]
y=updated['Encounters']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=80, shuffle=True)
gpc = RandomForestRegressor(random_state=0).fit(X_train, y_train)
pre=gpc.predict(X_test)
gpc.score(X_test, y_test)
pre

我试图用它来创建一个决策树，所以我更新了代码如下:

X=updated[['dayofthemonth','hour']]
y=updated['Encounters']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=80, shuffle=True)
gpc = RandomForestRegressor(random_state=0).fit(X_train, y_train)
pre=gpc.predict(X_test)
gpc.score(X_test, y_test)
pre
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X, y)

，但仍然得到以下错误:

ValueError: Unknown label type: 'continuous'

Answer 1

首先你必须明确你要解决的是哪种类型的机器学习问题:

• 分类:你试图预测一个类(例如:很好，正常的,坏的)
• 连续/回归量:你试图预测一个连续的值(例如:房价)

那么，你的y=updated['Encounters']是什么，分类的还是连续的?

我将假设(观察错误)您想要的输出是连续的。所以你在处理回归问题。在你的随机森林中，你使用了模型:RandomForestRegressor()，所以，顾名思义，它是一个用于回归的随机森林，所以它会起作用。

但是，当您尝试决策树时，您应用了下一个模型:decisiontreecclassifier()。正如您所看到的，现在您正在实现一个Classifier模型，它不适合您的问题。要解决它，使用下一个代码代替DecisionTreeClassifier():

clf = tree.DecisionTreeRegressor()