Python 2.7 维度问题线性回归Python scikit学习

我正在实现一个函数，其中我必须使用scikit learn执行线性回归

用一个例子来运行它时，我得到了什么：

X_train.shape=(34,3)
X_test.shape=(12,3)
Y_train.shape=(34,1)
Y_test.shape=(12,1)

然后

然而Python告诉我这一行有一个错误

 dico['R2 value']=lm.score(Y_test, Y_pred)

Python告诉我：

 ValueError: shapes (12,1) and (3,1) not aligned: 1 (dim 1) != 3 (dim 0)

提前感谢任何人能给我带来的帮助：）

Alex

使用

lm.score（）

您需要通过

X\u测试

，

y\u测试

dico['R2 value']=lm.score(X_test, Y_test)

见：

得分（X，y，样本重量=无）

您试图将分数方法用作度量方法，这是错误的。任何估计器上的

score（）

方法本身都会计算预测，然后将它们发送给相应的度量记分器

如果您想自己使用

Y_test

和

Y_pred

，则可以执行以下操作：

from sklearn.metrics import r2_score
dico['R2 value'] = r2_score(Y_test, Y_pred)

---

非常感谢你的帮助！似乎我有点困惑：）但是现在我不明白为什么r2分数真的很低（0.11），而我使用的数据集是iris数据集…@Alex iris是一个分类数据集，你使用的是回归模型（R平方的线性回归），因此不起作用。使用名称中有

分类器的模型我不明白为什么，因为我只保留了setosa类型的虹膜，这样回归就有意义了。我的特征是separalengthcm，separalwidthcm，petalalengthcm，我想预测PetalWidthCm。那么为什么线性回归不合法呢？@Alex那么，在这种情况下，回归是有意义的。但是，你需要考虑从其他特征预测花瓣宽度是否有意义。只有当因变量（本例中为petalwidth）实际上是其他变量的因变量时，回归才会表现良好。最后一个问题：如果还有一些名词性/序数特征，我还能使用sklearn的线性回归吗？（显然，我会在执行回归之前对它们进行编码）
X : array-like, shape = (n_samples, n_features) Test samples. 
    For some estimators this may be a precomputed kernel matrix instead, 
    shape = (n_samples, n_samples_fitted], where n_samples_fitted is the 
    number of samples used in the fitting for the estimator.

y : array-like, shape = (n_samples) or (n_samples, n_outputs) True values for X.

sample_weight : array-like, shape = [n_samples], optional Sample weights.

from sklearn.metrics import r2_score
dico['R2 value'] = r2_score(Y_test, Y_pred)