python3.7解决最小二乘遇到ValueError:Expected 2D array, got 1D array instead: array=[5.].关于reshape和predict
在用python的LinearRegression做最小二乘时遇到如下错误：
ValueError: Expected 2D array, got 1D array instead:
array=[5.].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
翻译过来是：
ValueError：预期为2D数组，改为获取1D数组：
数组= [5.]。
如果数据具有单个功能，则使用array.reshape（-1，1）重整数据；如果包含单个样本，则使用array.reshape（1，-1）重整数据。
也就是需要使用reshape改变原始数组的形状。
下面拿一个简单例子来说明：
#原来的代码
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
#目的：建立x与y的最小二乘方程
x=np.array([2,5,8,8,13,15,17,19,21,24])
y=np.array([12,31,45,52,79,85,115,119,135,145])
plt.scatter(x,y) #查看散点图
regression=LinearRegression()
model=regression.fit(x,y) #最小二乘建模
上面的代码报错，于是根据错误提示，修改后代码如下：
#修改后的代码
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
#目的：建立x与y的最小二乘方程
x=np.array([2,5,8,8,13,15,17,19,21,24]).reshape(-1,1)
y=np.array([12,31,45,52,79,85,115,119,135,145])
plt.scatter(x,y) #查看散点图
regression=LinearRegression()
model=regression.fit(x,y) #最小二乘建模
也就是在创建x数组后加上 reshape(-1,1) 重整数组。
#原数组
x=np.array([2,5,8,8,13,15,17,19,21,24]);x
Out[12]: array([ 2, 5, 8, 8, 13, 15, 17, 19, 21, 24])
#修改后数组
x=np.array([2,5,8,8,13,15,17,19,21,24]).reshape(-1,1);x
Out[13]:
array([[ 2],
[ 5],
[ 8],
[ 8],
[13],
[15],
[17],
[19],
[21],
[24]])
可以发现修改后的数组形状改变。下面查看模型属性：
model.score(x,y) #查看R方，拟合优度(值越接近1拟合效果越好)
Out[14]: 0.9883801539342456
# y = ax + b
model.intercept_ # 查看常数量 b
Out[15]: -1.196804037005876
model.coef_ # 查看x前系数 a
Out[16]: array([6.28763667])
最后我们预测 x=30时，y的值是多少
model.predict([[30]]) # 预测
Out[18]: array([187.43229605])
y=187.43229605，这里不能直接写 model.predict(30)，因为从修改后的x数组中可以发现，需传入类似格式值才能进行预测。
作者：益达cc
