Python 创建一维numpy.ndarray，而不是二维

我正在尝试使用Python进行分类。 我有一些输入列（让k个变量）和一个输出列

Let inputfeatures 
  = array([[ 0, 0,  0, ...,  0,  0,  0],
           [ 1, 0,  0, ...,  0,  0,  0],
           [ 1, 0,  0, ...,  0,  0,  0],
           ...,
           [ 0, 0,  0, ...,  0,  0,  0],
           [ 1, 0,  0, ...,  0,  0,  0],
           [ 0, 0,  0, ...,  0,  1,  0]], dtype=int64)
target_array
= array([0, 0, 0, ..., 0, 0, 1], dtype=int64)

我正在安装模型

trainedModel = model.fit(inputfeatures,target_array)

我正在使用的分类器需要所有数据实例的数据表型由长度为n的一维numpy.ndarray表示

由于目标数组是长度为n的一维numpy.ndarray，因此拟合时没有出现错误

假设需要两个输出变量，如何创建长度为n的一维numpy.ndarray以适合模型

我只是按照下面给出的方法进行了尝试：

target_array=data[data.columns[data.columns.isin(['var1', 'var2'])]].values
target_array
array([[1, 1],
       [0, 1],
       [1, 1],
       ...,
       [1, 0],
       [0, 0],
       [0, 0]], dtype=int64)

---

但它是二维的。如何使其成为长度为n的一维numpy.ndarray？

您不能简单地将

n

-维标签（或“目标输出”）转换为一维标签。在某些情况下，如果输出分布是嵌入到

n

维空间中的

m

维流形，您可以尝试首先进行投影（如有必要，包括非线性投影），但您必须非常仔细地考虑您希望分类器或回归器学习的内容

一个简单的策略是每个输出标签都有一个专门的学习者。这将在机械意义上“起作用”，即您能够预测与输入分布一致的任何输入的输出。但它将忽略输出变量之间可能的相互作用。想象一个二维输出分布，如下所示：

两个学习者，每个人只看到一个输出变量，将没有机会了解该输出结构，并且很可能（错误地）预测正象限中应为空的一些输出点

一种策略是从输入的

X

中学习第一个变量

y\u 0

。然后学习第二个变量

y\u 1

，使用第一个分类器中的预测

y\u 0\u hat

增加输入

X

。等等

一般来说，请查看：

• ，尤其是“多输出”类，我相信您正在寻找这些类

---

您是否尝试进行多变量预测（目标超过一维）？这是可能的，有几种方法可以做到这一点，但需要仔细考虑。这不仅仅是一些机械设置问题。是的，多个变量作为目标存在。。。目前我将var1作为输出变量。我不知道如何将var1和var2添加为单个1-D numpy.ndarray。我需要使用一个特定的分类器，它需要目标变量为1-D numpy.ndarray。您不能将2D目标输出转换为1D目标输出。想想看：如果你的2D输出分布是一个L形曲面，那么1D投影会是什么，对于一个分类器来说这是如何合适的？好的，我知道了，所以我想我应该选择多类端点。。。目标变量中有4个值而不是二进制。。。。