sklearn: on Trouve des tableaux avec des incohérent nombre d'échantillons lors de l'appel de LinearRegression.ajustement()

Juste essayer de faire une régression linéaire simple, mais je suis déconcerté par cette erreur pour:

regr = LinearRegression()
regr.fit(df2.iloc[1:1000, 5].values, df2.iloc[1:1000, 2].values)

qui produit:

ValueError: Found arrays with inconsistent numbers of samples: [  1 999]

Ces pièces doivent avoir les mêmes dimensions, et ils doivent être des tableaux numpy, de sorte que ce qui me manque?

InformationsquelleAutor sunny | 2015-06-12
  1. 113

    Il ressemble sklearn nécessite la forme des données de (numéro de ligne, numéro de colonne).
    Si vos données de forme (numéro de ligne ) comme (999, ), il ne fonctionne pas.
    En utilisant numpy.reshape(), vous devriez changer de (999, 1), par exemple, à l'aide de

    data.reshape((999,1))

    Dans mon cas, il a travaillé avec qui.

    • mes données de forme (10L,), comment puis-je convertir (10,1). Lorsque j'utilise des données=données.remodeler(len(data),1), la forme obtenue est (10 L,1L) non (10,1)
    • veuillez vous référer à cette la poste.
    • Merci pour le commentaire. J'ai aussi découvert que X_train doit être de taille (N,1), mais y_train doit être de taille (N,) non (N,1), sinon il ne fonctionne pas, du moins pas pour moi.
    • les données.remodeler(...) peut montrer deprication avertissement si les données sont de Série de l'objet. L'utilisation des données.des valeurs.remodeler(...)
    • données = données.remodeler(-1,1)
    InformationsquelleAutor Yul
  2. 23

    Dirait que vous êtes en utilisant les pandas dataframe (du nom df2).

    Vous pouvez également effectuer les opérations suivantes:

    regr = LinearRegression()
regr.fit(df2.iloc[1:1000, 5].to_frame(), df2.iloc[1:1000, 2].to_frame())

    REMARQUE: j'ai enlevé les "valeurs" comme qui convertit les pandas Série de numpy.ndarray et numpy.ndarray n'ont pas l'attribut to_frame().

    InformationsquelleAutor user24981
  3. 10

    Vu sur le Udacity l'apprentissage en profondeur de la fondation du cours:

    df = pd.read_csv('my.csv')
...
regr = LinearRegression()
regr.fit(df[['column x']], df[['column y']])
    • Merci! C'est vraiment le plus simple et le plus facile à comprendre!
    InformationsquelleAutor xilef
  4. 5

    Je pense que le "X" argument de regr.l'ajustement doit être une matrice, de sorte que le suivant devrait fonctionner.

    regr = LinearRegression()
regr.fit(df2.iloc[1:1000, [5]].values, df2.iloc[1:1000, 2].values)
    InformationsquelleAutor Anish
  5. 4

    J'ai rencontré cette erreur parce que j'ai converti mes données à un np.array. J'ai résolu le problème en convertissant mes données à un np.matrix au lieu et à la prise de la transposer.

    ValueError:
    regr.fit(np.array(x_list), np.array(y_list))

    Correct:
    regr.fit(np.transpose(np.matrix(x_list)), np.transpose(np.matrix(y_list)))

    InformationsquelleAutor Josh Grinberg
  6. 2
    expects X(feature matrix)

    Essayer de mettre vos traits en un tuple comme ceci:

    caractéristiques = ['TV', 'Radio', 'Journal'] 
X = data[caractéristiques]
    InformationsquelleAutor Yuanxu Xu
  7. 0

    Pour analyser les deux tableaux (matrice1 et matrice2) dont ils ont besoin pour répondre aux deux exigences suivantes:

    1) Ils doivent être un numpy.ndarray

    Vérifier avec 

    type(array1)
# and
type(array2)

    Si ce n'est pas le cas pour au moins l'un d'entre eux effectuer 

    array1 = numpy.ndarray(array1)
# or
array2 = numpy.ndarray(array2)

    2) Les dimensions doivent être comme suit:

    array1.shape #shall give (N, 1)
array2.shape #shall give (N,)

    N est le nombre d'éléments dans le tableau.
    Pour fournir matrice1 avec le bon nombre d'axes effectuer:

    array1 = array1[:, numpy.newaxis]
    InformationsquelleAutor Richard
  8. 0

    Comme il a été mentionné ci-dessus X argument doit être une matrice ou un tableau numpy avec des dimensions connues. Donc, vous pourriez probablement utiliser ceci:

    df2.iloc[1:1000, 5:some_last_index].values

    De sorte que votre dataframe serait converti en un tableau avec les dimensions connues et vous n'aurez pas besoin de modifier la forme

    InformationsquelleAutor Andy J.
  9. 0

    J'ai fait face à un problème similaire. Le problème dans mon cas a été, le Nombre de lignes dans X n'était pas égal au nombre de lignes dans y.

    exemple, le nombre d'entrées en fonction des colonnes n'était pas égal au nombre d'entrées dans la variable cible depuis que j'avais laissé tomber certaines lignes de freature colonnes.

    InformationsquelleAutor Shivam Agrawal