单线预测与线性回归-Java 学习之路

实现如下的线性回归：

from sklearn.linear_model import LinearRegression

x = [1,2,3,4,5,6,7]
y = [1,2,1,3,2.5,2,5]

# Create linear regression object
regr = LinearRegression()

# Train the model using the training sets
regr.fit([x], [y])

# print(x)
regr.predict([[1, 2000, 3, 4, 5, 26, 7]])

产生：

array([[1. , 2. , 1. , 3. , 2.5, 2. , 5. ]])

在利用预测函数时，为什么不能利用单个x值进行预测？

试试 regr.predict([[2000]])

回报：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-3-3a8b477f5103> in <module>()
     11 
     12 # print(x)
---> 13 regr.predict([[2000]])

/usr/local/lib/python3.6/dist-packages/sklearn/linear_model/base.py in predict(self, X)
    254             Returns predicted values.
    255         """
--> 256         return self._decision_function(X)
    257 
    258     _preprocess_data = staticmethod(_preprocess_data)

/usr/local/lib/python3.6/dist-packages/sklearn/linear_model/base.py in _decision_function(self, X)
    239         X = check_array(X, accept_sparse=['csr', 'csc', 'coo'])
    240         return safe_sparse_dot(X, self.coef_.T,
--> 241                                dense_output=True) + self.intercept_
    242 
    243     def predict(self, X):

/usr/local/lib/python3.6/dist-packages/sklearn/utils/extmath.py in safe_sparse_dot(a, b, dense_output)
    138         return ret
    139     else:
--> 140         return np.dot(a, b)
    141 
    142 

ValueError: shapes (1,1) and (7,7) not aligned: 1 (dim 1) != 7 (dim 0)

1 回答

3
当你这样做：
```
regr.fit([x], [y])
```
你基本上输入这个：
```
regr.fit([[1,2,3,4,5,6,7]], [[1,2,1,3,2.5,2,5]])
```
X 的形状为 (1,7) ， y 的形状为 (1,7) .

现在看documentation of fit()：

参数：

X：numpy数组或形状稀疏矩阵[n_samples，n_features]
培训数据

y：numpy数组形状[n_samples，n_targets]
目标值 . 如有必要，将被转换为X的dtype

所以在这里，模型假定您拥有数据的数据具有7个功能，并且您有7个目标 . 请参阅this for more information on multi-output regression .

因此，在预测时，模型将需要具有7个特征的数据，形状为 (n_samples_to_predict, 7) ，并将输出形状为 (n_samples_to_predict, 7) 的数据 .

相反，如果你想要这样的东西：
```
x   y
  1  1.0
  2  2.0
  3  1.0
  4  3.0
  5  2.5
  6  2.0
  7  5.0
```
那么你需要 (7,1) 的形状为输入 x 和 (7,) 或 (7,1) 为目标 y .

所以@WStokvis在评论中说，你需要这样做：
```
import numpy as np
X = np.array(x).reshape(-1, 1)
y = np.array(y)          # You may omit this step if you want

regr.fit(X, y)           # Dont wrap it in []
```
然后在预测时间再次：
```
X_new = np.array([1, 2000, 3, 4, 5, 26, 7]).reshape(-1, 1)
regr.predict(X_new)
```
然后执行以下操作不会引发错误：
```
regr.predict([[2000]])
```
因为存在所需的形状 .

Update for the comment:-

当你执行 [[2000]] 时，它将在内部转换为 np.array([[2000]]) ，因此它的形状为 (1,1) . 这类似于 (n_samples, n_features) ，其中 n_features = 1 . 这对于模型是正确的，因为在训练时，数据具有形状 (n_samples, 1) . 这样可行 .

现在让我们说，你有：
```
X_new = [1, 2000, 3, 4, 5, 26, 7] #(You havent wrapped it in numpy array and reshape(-1,1) yet
```
同样，它将在内部转换为：
```
X_new = np.array([1, 2000, 3, 4, 5, 26, 7])
```
所以现在X_new的形状为 (7,) . 看它只是一维数组 . 它是行向量还是列向量无关紧要 . 它只是 (n,) 的一维数组 .

所以scikit可能无法推断它的 n_samples=n 和 n_features=1 或其他方式（ n_samples=1 和 n_features=n ） . 请参阅my other answer which explains about this .

所以我们需要通过 reshape(-1,1) 将一维数组显式转换为2-d . 希望现在清楚 .
回复于 2024-05-03T21:58:08+08:00

单线预测与线性回归

1 回答

相关问题