Obtenir aucune boucle correspondant à la signature spécifiée et une erreur de conversion
Je suis un débutant en python et en apprentissage automatique. Je reçois une erreur ci-dessous lorsque j'essaie d'adapter des données à statsmodels.formula.api OLS.fit ()
Traceback (appel le plus récent en dernier):
Fichier "", ligne 47, dans regressor_OLS = sm.OLS (y, X_opt) .fit ()
Fichier "E:\Anaconda\lib\site-packages\statsmodels\regression\linear_model.py", ligne 190, en forme self.pinv_wexog, singular_values = pinv_extended (self.wexog)
Fichier "E:\Anaconda\lib\site-packages\statsmodels\tools\tools.py", ligne 342, dans pinv_extended u, s, vt = np.linalg.svd (X, 0)
Fichier "E:\Anaconda\lib\site-packages\numpy\linalg\linalg.py", ligne 1404, in svd u, s, vt = gufunc (a, signature = signature, extobj = extobj)
TypeError: aucune boucle correspondant à la signature spécifiée et la transtypage n'était trouvé pour ufunc svd_n_s
code
#Importing Libraries
import numpy as np # linear algebra
import pandas as pd # data processing
import matplotlib.pyplot as plt #Visualization
#Importing the dataset
dataset = pd.read_csv('Video_Games_Sales_as_at_22_Dec_2016.csv')
#dataset.head(10)
#Encoding categorical data using panda get_dummies function . Easier and straight forward than OneHotEncoder in sklearn
#dataset = pd.get_dummies(data = dataset , columns=['Platform' , 'Genre' , 'Rating' ] , drop_first = True ) #drop_first use to fix dummy varible trap
dataset=dataset.replace('tbd',np.nan)
#Separating Independent & Dependant Varibles
#X = pd.concat([dataset.iloc[:,[11,13]], dataset.iloc[:,13: ]] , axis=1).values #Getting important variables
X = dataset.iloc[:,[10,12]].values
y = dataset.iloc[:,9].values #Dependant Varible (Global sales)
#Taking care of missing data
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values = 'NaN' , strategy = 'mean' , axis = 0)
imputer = imputer.fit(X[:,0:2])
X[:,0:2] = imputer.transform(X[:,0:2])
#Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.2 , random_state = 0)
#Fitting Mutiple Linear Regression to the Training Set
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train,y_train)
#Predicting the Test set Result
y_pred = regressor.predict(X_test)
#Building the optimal model using Backward Elimination (p=0.050)
import statsmodels.formula.api as sm
X = np.append(arr = np.ones((16719,1)).astype(float) , values = X , axis = 1)
X_opt = X[:, [0,1,2]]
regressor_OLS = sm.OLS(y , X_opt).fit()
regressor_OLS.summary()
Ensemble de données
Impossible de trouver quelque chose d'utile pour résoudre ce problème sur stack-overflow ou google.
essayez de spécifier le
quand la matrice est créée ..___ Exemple:
a=np.matrix([[1,2],[3,4]], dtype='float')
Hope this works!
Comme suggéré précédemment, vous devez vous assurer que X_opt est un type float . Par exemple, dans votre code, cela ressemblerait à ceci:
X_opt = X[:, [0,1,2]]
X_opt = X_opt.astype(float)
regressor_OLS = sm.OLS(endog=y, exog=X_opt).fit()
regressor_OLS.summary()