当需要一维数组时，传递了列向量 y

Question

我需要从sklearn.ensemble中适应RandomForestRegressor。

forest = ensemble.RandomForestRegressor(**RF_tuned_parameters)
model = forest.fit(train_fold, train_y)
yhat = model.predict(test_fold)

这段代码一直有效，直到我对数据进行一些预处理(train_y(。错误消息显示：

数据转换警告：当需要一维数组时，传递了列向量 y。请将 y 的形状更改为 (n_samples，(，例如使用 ravel((。

model = forest.fit(train_fold， train_y(

以前train_y是一个系列，现在是numpy数组(它是一个列向量(。如果我应用 train_y.ravel() ，那么它就会变成一个行向量，并且没有出现错误消息，通过预测步骤需要很长时间(实际上它永远不会完成......

在RandomForestRegressor的文档中，我发现train_y应该定义为y : array-like, shape = [n_samples] or [n_samples, n_outputs]知道如何解决这个问题吗？

Answer 1

更改此行：

model = forest.fit(train_fold, train_y)

自：

model = forest.fit(train_fold, train_y.values.ravel())

解释：

.values将给出numpy数组中的值(形状：(n，1((

.ravel会将该数组形状转换为 (n， ((即展平它(

Answer 2

当我尝试训练 KNN 分类器时，我也遇到了这种情况。 但似乎在我更改后警告消失了：

knn.fit(X_train,y_train)自
knn.fit(X_train, np.ravel(y_train,order='C'))

在这一行前面，我使用了import numpy as np.

Answer 3

我遇到了同样的问题。问题在于标签是列格式，而它期望它排成一行。使用np.ravel()

knn.score(training_set, np.ravel(training_labels))

希望这能解决它。

Answer 4

使用以下代码：

model = forest.fit(train_fold, train_y.ravel())

如果您仍然被错误地打耳光，如下所示？

Unknown label type: %r" % y

使用此代码：

y = train_y.ravel()
train_y = np.array(y).astype(int)
model = forest.fit(train_fold, train_y)

Answer 5

Y = y.values[:,0]
Y - formated_train_y
y - train_y

Answer 6

另一种方法是使用ravel

model = forest.fit(train_fold, train_y.values.reshape(-1,))

Answer 7

使用神经轴，您可以轻松解决此问题：

p = Pipeline([
   # expected outputs shape: (n, 1)
   OutputTransformerWrapper(NumpyRavel()), 
   # expected outputs shape: (n, )
   RandomForestRegressor(**RF_tuned_parameters)
])
p, outputs = p.fit_transform(data_inputs, expected_outputs)

Neuraxle是一个类似sklearn的框架，用于深度学习项目中的超参数调优和AutoML！

Answer 8

format_train_y=[]
for n in train_y:
    format_train_y.append(n[0])

Answer 9

TL;DR
用

y = np.squeeze(y)

而不是

y = y.ravel()

由于 Python 的ravel()可能是在这种特殊情况下实现预期结果的有效方法，因此我建议使用 numpy.squeeze() .
这里的问题是，如果你的y(numpy 数组(的形状是例如 (100, 2) ，则y.ravel()将沿第一个轴连接第二个轴上的两个变量，得到类似 (200,) 的形状。在处理必须单独考虑的自变量时，这可能不是您想要的.
另一方面，numpy.squeeze()只会修剪任何多余的尺寸(即尺寸为 1 的尺寸(。因此，如果您的 numpy 数组的形状是 (100, 1) ，这将导致形状(100,)数组，而形状 (100, 2) 的 numpy 数组的结果不会改变，因为没有一个维度的大小为 1。