当我将 IterativeImputer 与 KNeighborsClassifier 一起使用时出现错误 "Unknown label type: 'continuous'"
Error "Unknown label type: 'continuous'" when I use IterativeImputer with KNeighborsClassifier
我想用 IterativeImputer 进行多重插补。
这里是数据集（原文来自https://www.kaggle.com/jboysen/mri-and-alzheimers）：
alz_df_imp_categorical
要估算的变量是“educ”和“ses”。因为它们是分类的，所以我选择使用分类器（来自 sklearn 的 KNeighborsClassifier）。预测变量是连续的（“性别”除外）。
这是代码：
# calling the MICE class
KNN_class_estimator = KNeighborsClassifier()
mice_imputer = IterativeImputer(random_state=0, estimator=KNN_class_estimator, initial_strategy ='mean')
# imputing the missing value with mice imputer
alz_df_imp_categorical = mice_imputer.fit_transform(alz_df_imp_categorical)
错误是：
“未知标签类型：'continuous'”
实际上，fit_transform() 函数将数据帧转换为数组，所有变量都转换为 float 类型。因此，由于此数组转换，要预测的变量不再是绝对变量。此外，数组中只接受一种类型的变量（因此，我不能仅将变量转换为分类预测并让其他变量浮动）。因此，由于目标变量是浮动的，分类器无法工作。所以，我理解错误...但我不知道如何解决它。
我认为，当它们有多种类型的预测变量（连续和分类）时，我们可能无法应用 KNN 分类器。但是，当我在 R 中使用 KNN 分类器时，我对此没有任何问题。
你有解决这个问题的想法吗？
谢谢。
我刚刚明白为什么它不起作用。这是因为 IterativeImputer 仅适用于连续变量。因此，显然您不能使用 IterativeImputer 对连续变量应用多重插补。
有关于此的讨论here。
我发现可以在 python 中使用分类变量进行简单插补。但是，似乎不能用这种类型的变量进行多重插补（反正我没找到）。
我想用 IterativeImputer 进行多重插补。
这里是数据集（原文来自https://www.kaggle.com/jboysen/mri-and-alzheimers）：
alz_df_imp_categorical
要估算的变量是“educ”和“ses”。因为它们是分类的，所以我选择使用分类器（来自 sklearn 的 KNeighborsClassifier）。预测变量是连续的（“性别”除外）。
这是代码：
# calling the MICE class
KNN_class_estimator = KNeighborsClassifier()
mice_imputer = IterativeImputer(random_state=0, estimator=KNN_class_estimator, initial_strategy ='mean')
# imputing the missing value with mice imputer
alz_df_imp_categorical = mice_imputer.fit_transform(alz_df_imp_categorical)
错误是：
“未知标签类型：'continuous'”
实际上，fit_transform() 函数将数据帧转换为数组，所有变量都转换为 float 类型。因此，由于此数组转换，要预测的变量不再是绝对变量。此外，数组中只接受一种类型的变量（因此，我不能仅将变量转换为分类预测并让其他变量浮动）。因此，由于目标变量是浮动的，分类器无法工作。所以，我理解错误...但我不知道如何解决它。
我认为，当它们有多种类型的预测变量（连续和分类）时，我们可能无法应用 KNN 分类器。但是，当我在 R 中使用 KNN 分类器时，我对此没有任何问题。
你有解决这个问题的想法吗？
谢谢。
我刚刚明白为什么它不起作用。这是因为 IterativeImputer 仅适用于连续变量。因此，显然您不能使用 IterativeImputer 对连续变量应用多重插补。 有关于此的讨论here。
我发现可以在 python 中使用分类变量进行简单插补。但是，似乎不能用这种类型的变量进行多重插补（反正我没找到）。