TypeError：predict（）接受2个位置参数，但给出了3个位置

Question

我在stackoverflow上查找了此错误，并找到了几篇文章，但是没有人解决这种特定情况。

我有以下数据框：

输入变量和输出变量在以下代码中定义：

xcol=["h","o","p","d","ddlt","devdlt","sl","lt"]
ycol=["Q","r"]
x=df[xcol].values
y=df[ycol].values

我的目标是根据输入（x）猜测输出值Q＆r。 我尝试了两种方法，但都失败了。对于第一个，我尝试了多输出回归器。

我首先将数据分为测试和培训数据：

import numpy as np
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
y_train = y_train.ravel()
y_test = y_test.ravel()

然后导入函数：

from sklearn.multioutput import MultiOutputRegressor

然后尝试预测Q＆r：

reg= MultiOutputRegressor(estimator=100, n_jobs=None)
reg=reg.predict(X_train, y_train)

这给了我错误：

TypeError: predict() takes 2 positional arguments but 3 were given

我在做什么错，我该如何解决？

接下来我尝试的是神经网络。在分配了x和y列之后，我创建了神经网络：

# neural network class definition
class neuralNetwork:

#Step 1: 
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
    #set number of nodes in each input, hidden, output layer
    self.inodes = inputnodes
    self.hnodes = hiddennodes
    self.onodes = outputnodes

    #link weight matrices, wih and who (weights in hidden en output layers), 
    # we are going to create matrices for the multiplication of it to get an 
    # output
    # weights inside the arrays (matrices) are w_i_j, where link is from node 
    # i to node j in the next layer
    #w11 w21
    #w12 w22 etc
    self.wih = numpy.random.normal(0.0,pow(self.inodes,-0.5),( self.hnodes, 
    self.inodes))
    self.who = numpy.random.normal(0.0,pow(self.hnodes,-0.5),( self.onodes, 
    self.hnodes))

    # setting the learning rate
    self.lr = learningrate

    # activation function is the sigmoid function
    self.activation_function = lambda x: scipy.special.expit(x)

    pass

    #Step 2:
def train(self, inputs_list, targets_list):
    #convert input lists to 2d array (matrice)
    inputs = numpy.array(inputs_list, ndmin=2).T
    targets = numpy.array(targets_list, ndmin=2).T

    #calculate signals into hidden layer
    hidden_inputs = numpy.dot(self.wih, inputs)
    #calculate signals emerging from hidden layer
    hidden_outputs = self.activation_function(hidden_inputs)

    #calculate signals into final output layer
    final_inputs = numpy.dot(self.who, hidden_outputs)
    #calculate signals emerging from final output layer
    final_outputs = self.activation_function(final_inputs)
    # output layer error is the (target-actual)
    output_errors = targets -final_outputs
    #hidden layer error is the output_errors, split by weights, recombined 
    at hidden nodes
    hidden_errors = numpy.dot(self.who.T, output_errors)

    #update the weights for the links between the hidden and output layers
    self.who += self.lr * numpy.dot((output_errors*final_outputs * (1.0- 
    final_outputs)),numpy.transpose(hidden_outputs))

    # update the weights for the links between the input and hidden layers
    self.wih += self.lr*numpy.dot((hidden_errors*hidden_outputs*(1.0- 
    hidden_outputs)),numpy.transpose(inputs))

    pass

    #Step 3
def query(self, inputs_list):
    #convert input lists to 2d array (matrice)
    inputs = numpy.array(inputs_list, ndmin=2).T

    #calculate signals into hidden layer
    hidden_inputs = numpy.dot(self.wih, inputs)
    #calculate signals emerging from hidden layer
    hidden_outputs = self.activation_function(hidden_inputs)

    #calculate signals into final output layer
    final_inputs = numpy.dot(self.who, hidden_outputs)
    #calculate signals emerging from final output layer
    final_outputs = self.activation_function(final_inputs)

    return final_outputs

然后我创建了一个神经网络的实例：

   #Creating instance of neural network 

   #number of input, hidden and output nodes
   input_nodes = 8
   hidden_nodes = 100
   output_nodes = 2

   #learning rate is 0.8
   learning_rate = 0.8

   #create instance of neural network
   n = neuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)

我有8个输入和2个输出需要预测。

然后我训练了神经网络：

# train the neural network
# go through all records in the training data set 
for record in df:
    #scale and shift te inputs
    inputs = x
    #create the target output values 
    targets = y
    n.train(inputs, targets)
    pass

然后我想查询猜测的输出，现在它出错了：

所以我想用Q（Q *）和r（r *）的猜测在数据帧中增加2列：

df["Q*","r*"] = n.query(x)

我真的不知道该怎么做。上面的代码给了我错误：

ValueError: Length of values does not match length of index

任何帮助表示赞赏。

史蒂芬

Answer 1

关于问题的第一部分（MultiOutputRegressor），您的代码存在多个问题...

首先，estimator的{​​{1}}参数不应为数字，而应像docs所说：

  

estimator： estimator对象

     

实现拟合和预测的估计器对象。

因此，对于example，要使用具有默认参数的随机森林，应使用

MultiOutputRegressor

（有关更多示例，请参见this answer）

第二，在您的代码中，您永远不会适合您的回归器；您应该添加

reg = MultiOutputRegressor(RandomForestRegressor()) 

在定义之后。

第三，reg.fit(X_train, y_train) 不会将基本真值（此处的predict）作为参数，而只会将要素（y_train）作为参数；再次从docs开始：

  

预测（X）

     

使用模型预测多输出变量       为每个目标变量进行训练。

     

参数：X：（稀疏）类似数组，形状（n_samples，n_features）

     

数据。

     

返回：y：（稀疏）类似数组的形状（n_samples，n_outputs）

     

跨多个预测变量预测的多个输出目标。注意：为每个预测变量生成单独的模型。

由于您还在代码中传递了X_train，因此您会收到一个预期的错误，即一个参数过多。只需将其更改为y_train，就可以了。