Fehler mit Sklearn Random Forest Regressor

Wenn Sie versuchen, um zu passen ein Random Forest Modell mit Regressor y-Daten, die wie folgt aussieht:

[  0.00000000e+00   1.36094276e+02   4.46608221e+03   8.72660888e+03
   1.31375786e+04   1.73580193e+04   2.29420671e+04   3.12216341e+04
   4.11395711e+04   5.07972062e+04   6.14904935e+04   7.34275322e+04
   7.87333933e+04   8.46302456e+04   9.71074959e+04   1.07146672e+05
   1.17187952e+05   1.26953374e+05   1.37736003e+05   1.47239359e+05
   1.53943242e+05   1.78806710e+05   1.92657725e+05   2.08912711e+05
   2.22855152e+05   2.34532982e+05   2.41391255e+05   2.48699216e+05
   2.62421197e+05   2.79544300e+05   2.95550971e+05   3.13524275e+05
   3.23365158e+05   3.24069067e+05   3.24472999e+05   3.24804951e+05

- Und X-Daten, die wie folgt aussieht:

[ 735233.27082176  735234.27082176  735235.27082176  735236.27082176
  735237.27082176  735238.27082176  735239.27082176  735240.27082176
  735241.27082176  735242.27082176  735243.27082176  735244.27082176
  735245.27082176  735246.27082176  735247.27082176  735248.27082176

Mit dem folgenden code:

regressor = RandomForestRegressor(n_estimators=150, min_samples_split=1)
rgr = regressor.fit(X,y)

Bekomme ich diesen Fehler:

ValueError: Number of labels=600 does not match number of samples=1

Nehme ich an einer meiner Werte ist im falschen format, aber nicht zu klar, um mich von der Dokumentation.

  • können Sie drucken X.shape und y.shape?
  • drucken Sie X. Form -, y -.Form:(600,) (600,)
InformationsquelleAutor BLL27 | 2015-08-25
  1. 27

    Form X sollte [n_samples, n_features] verwandeln Sie X durch

    X = X[:, None]
    • Sie können auch X = X[:, np.newaxis]
    • Ja, eigentlich newaxis ist ein alias für None
    • Hi @yangjie, ich bin Neuling im maschinellen lernen.. Können Sie mir bitte sagen, warum wir uns transformieren müssen X?? Was ist der Grund dahinter.! Vielen Dank im Voraus!.
    InformationsquelleAutor yangjie
  2. 2

    Es ist die Behandlung Ihrer Liste der Beispiele X 1 Probe als einen Vektor, so dass die folgenden Werke

    rgr = regressor.fit(map(lambda x: [x],X),y)

    Könnte es ein effizienter Weg, dies zu tun, in numpy mit vstack.

    InformationsquelleAutor Francisco Vargas
Schreibe einen Kommentar