Python 为什么scikit learn对不同的回归器要求不同的数据形状？

当我使用

sklearn

时，我总是发现自己在重塑数据，这很烦人，而且会让我的代码难看。为什么不能让库处理各种数据形状，并进行适当的解释？例如，要使用线性回归器，我需要

from sklearn.linear_model import LinearRegression
x = np.random.rand(10).reshape(-1,1)
y = np.random.rand(10).reshape(-1,1)
regr = LinearRegression()
regr.fit(x,y)

但如果我想使用支持向量回归，那么我不会重塑自变量：

from sklearn.svm import SVR
x = np.random.rand(10).reshape(-1,1)
y = np.random.rand(10)
regr = SVR()
regr.fit(x,y)

---

我想图书馆是这样设计的是有原因的；有人能告诉我吗？

当你做

y=np.random.rand（10）

，y是

[10，]

的一维数组。不管是行向量还是列向量。它只是一个只有一维的向量。看看并理解它背后的哲学

它是“numpy哲学”的一部分。而sklearn依赖于numpy

关于你的评论：-

为什么sklearn不能自动理解，如果我传递给它形状（n，）的东西，n_samples=n，n_features=1

sklearn可能无法仅基于X数据推断其

n_样本=n和n_特征=1

或其他方式（

n_样本=1和n_特征=n

）。如果通过y，则可以执行此操作，这可以清楚地说明

n\u样本

但这意味着更改所有依赖于此类语义的代码，这可能会破坏很多东西，因为

sklearn

严重依赖于

numpy

操作。

您可能还想查看以下讨论类似问题的链接

---

我在使用指定的任何估计器时，都不会得到任何错误。使用

x=np.random.rand（10）。重塑（-1,1），y=np.random.rand（10）

。

SVR

和

LinearRegression

都可以用（n，）或（n，1）取y。因此，您可以用

x=np.random.rand（10）

和

y=np.random.rand（10）

运行上述操作？当我尝试这样做时，我得到一个

ValueError

。您使用的是哪个版本的

scikit learn

？否。不是

X

X

必须始终是

[n_样本，n_特征]

的二维向量。我说的是

y

（这是上面代码片段中唯一不同的代码）

y

可以是一个列向量

[n_samples，1]

或简单地

[n_samples，1]

。当我使用

SVR

和一个列向量

y.shape=（n_samples，1）

时，我会得到一个

数据转换警告。至于
X
，我仍然不清楚为什么
sklearn
不能自动理解，如果我传递的是
（n，）
形状的东西，那么
n\u samples=n
和
n\u features=1
。是的，我确实得到了y的警告。为了更清楚，我添加了一个答案。希望能有帮助