Question

我正在从sklearn.linear_model运行三个不同的回归模型。

在我的特定示例中，

linear_model.LinearRegression.predict（）和linear_model.Ridge.predict（）都返回（1300， 1 ）相同的格式。

linear_model.Lasso.predict（）传递完全相同的输入数据时返回a（1300，）。这会导致程序出错，并且绘图失败。

我尝试通过使用np.shape（）检查每个使用的变量来确保确实传递相同格式的数据。我已经将其追溯到.predict（）的返回值。

# Crashes when .Lasso is included in mdls
# If I only have the first two in the list (LinearRegression and Ridge) it run and plots fine.
mdls=[linear_model.LinearRegression, linear_model.Ridge, linear_model.Lasso]
argdic=[{'fit_intercept':True},{'fit_intercept':True,'alpha':.5},{'fit_intercept':True,'alpha':0.1}]  
i=0      

for m,a in zip(mdls,argdic):

    ## Run regression Fit
    res=m(**a).fit(xsk,ysk)

    predZmesh=res.predict(meshpts)

    predZact=res.predict(actpts)




    reZ=ysk['Eff. At Rated Lift'].values.reshape(len(ysk['Eff. At Rated Lift']),1)

    zerr=np.subtract(predZact,reZ)
    zerr_r=zerr.ravel()


    #Normalize the errror for colormap
    nrm=colors.Normalize(vmin=zerr_r.min(),vmax=zerr_r.max())

    r2=res.score(xsk,ysk)

    #Setup Plot
    ax=fig.add_subplot(1,len(mdls),i+1,projection='3d')

    #Plot scatter of actual data points
    #ax.scatter(xsk['Minor Comp. At Temp'],xsk['Major Comp. At Temp'],ysk,marker='o',alpha=0.9)
    print('Shape of x,y,z,err.ravel={0},{1},{2},{3}'.format(np.shape(xsk['Minor Comp. At Temp']),np.shape(xsk['Major Comp. At Temp']),np.shape(ysk['Eff. At Rated Lift']),np.shape(zerr_r)))

    ax.scatter(xsk['Minor Comp. At Temp'],xsk['Major Comp. At Temp'],ysk['Eff. At Rated Lift'],c=zerr_r,norm=nrm,cmap=plt.cm.get_cmap('RdBu'),marker='o',alpha=0.9)



    ax.plot_surface(xmeshpts,ymeshpts,
          predZmesh.reshape(xmeshpts.shape),color='red',alpha=0.1)

    i+=1

回归函数是否应返回相同格式的数据？当我阅读文档时，它显示出一致的格式。谁能确认我对一致的返回值的期望是正确的？然后，我可以继续进行调试。

Answer 1

这是a known issue，最初于2015年报告。当您提供具有2个维度（test_y.shape =（n，1））的y_array时，会发生此问题。

最简单的解决方案是在调用.predict（）方法之前将y_array展平：

test_y = test_y.flatten()

（假设test_y是一个numpy数组）

Answer 2

如果所使用的模型为linear_model.Lasso，则可以添加一个条件，该条件检查并重新调整预测的输出。

以下代码可用于执行整形：x = x.reshape(-1,1)。

这是一个简单的例子：

如果您的平面数组中没有这样的列：

x = np.array([1,2,3])

x.shape的输出当然是(3,)。

然后我们可以对其进行整形，以便将值存储为形状为(3,1)的单列：

x = x.reshape(-1,1)

此后，x.shape的输出现在为(3, 1)。

从视觉上讲，该数组现在不再是平面列表，而是包含一列：

array([[1],
       [2],
       [3]])

scikit学习回归.predict（）返回类型不一致

2 个答案: