利用scikit模型训练Logistic回归中的N维数据集

Question

我有200张图像的训练数据集，尺寸为28 x 28.我将它存储在train_dataset中，形状为200 x（28 * 28）。标签是形状200的一维。 即训练：（200,28,28）（200，）

我需要将这些训练数据拟合到逻辑回归的scikit模型中。的拟合（train_dataset，train_label）。 但拟合的拟合参数（X，y，sample_weight = None）具有数组（X）.dim＆lt; 2和 还有数组（Y）.dim＆lt; 2.

那么缩小train_dataset 有什么替代方案，但它需要大量的空间，即大小为200 x（28 * 28）的2d数组，并且还将它映射到1维维度的train_label？
如何训练尺寸＆gt; = 3 的这种train_dataset？
是否可以将其推广到n维。

训练时出错：

ValueError: Found array with dim 3. Estimator expected <= 2.

Answer 1

如果处理图像，应用PCA或主成分分析来减少数据集的维度总是一个好主意。

.fit()接受一个2D数组，所以你有将它拉下来以便函数接受它但你可以应用PCA来获得60个特征来捕获大部分方差，例如得到一个形状的数据集（28 * 60）。

有关PCA的更多信息here。