Question

我开始研究sklearn，并一直在尝试实现多线性回归。我提到了一个example并尝试用我的数据框实现相同的方式 - 但最终得到了

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

这是我的代码

# content - pandas object
# content - <class 'pandas.core.frame.DataFrame'>
x = content[['Feature 1', 'Feature 3']].values.reshape(-1,2)
y = content['Feature 2']
# 70 / 30 split
x_train, x_test, y_train, y_test = cross_validation.train_test_split(x, y, test_size=0.3)model = LinearRegression()
model.fit(x_train, y_train)
y_predict = model.predict(x_test)
accuracy_score = model.score(y_test, y_predict)
return x_test, y_test, model.coef_, model.intercept_, y_predict, accuracy_score, x_train, y_train

我将reshape(-1,1)添加到y = content['Feature 2']，最后我收到了一个陈述ValueError: shapes (3,1) and (2,1) not aligned: 1 (dim 1) != 2 (dim 0)的问题。我很确定我犯的是一个微不足道的错误 - 只是无法弄清楚在哪里。

数据基本上是一组功能和类 Feature 1, Feature 2, Feature 3, Feature 4... Class。每个功能并不真正意味着很多。虽然它只是一个具有一组特征和类的虚拟数据集。

我要做的是 - 在x = [Feature 1, Feature 2]和y = [Feature 3]之间应用多线性回归

不确定我是否应该在Feature 1和Feature 2之间使用点积来获取某些[[number],[number],[number]]

当我删除.value.shape(-1,2)时，我会ValueError: shapes (1,1) and (2,1) not aligned: 1 (dim 1) != 2 (dim 0)

不确定我哪里出错了。

非常感谢你的帮助:)）

使用sklearn进行多元线性回归

0 个答案: