Python 基于scikit模型的Logistic回归N维训练数据集

我有200幅图像的训练数据集，尺寸为28 x 28。我将其存储在形状为200 x（28*28）的train_数据集中。标签是形状为200的一维。 i、 e.培训：（200,28,28）（200,28）
我需要在scikit逻辑回归模型中拟合这些训练数据fit（序列数据集、序列标签）。 但是fit的fit参数（X，y，sample_weight=None）具有数组（X）。dim<2和 还有阵列（Y）.dim<2.

因此，是否有任何替代方法可以缩小列U数据集，但这将占用大量空间，即大小为200 x（28*28）的2d数组，并且还将其映射到一维的列U标签？
如何训练维度>=3的训练数据集？
是否有可能将其推广到n维。

培训时出错：

ValueError: Found array with dim 3. Estimator expected <= 2.

---

ValueError:找到具有dim 3的数组。在处理图像的情况下，使用
PCA
或主成分分析来降低数据集的维数总是一个好主意

.fit（）
接受一个2D数组，因此您有将其展开，以便函数接受它，但您可以应用PCA获得60个特征，例如捕获大部分方差，并获得形状数据集（28*60）

更多关于PCA的信息