Python 使用Knn分类器时出现无效形状错误

以下是

X

和

Y

变量形状：

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33, random_state=42)

## Output for shapes 
X_train.shape  = (970, 298) 
X_test.shape   = (478, 298)
len(y_train)   =  970
len(y_test)    =  478

现在我从

Knn

分配

多输出

分类器：

knn = KNeighborsClassifier(n_neighbors=3)
classifier = MultiOutputClassifier(knn, n_jobs=-1)
classifier.fit(X_train,y_train)

predictions = classifier.predict(X_test)
print classifier.score(y_test,predictions)

当我尝试运行此操作时，出现以下错误：

ValueError:X和Y矩阵的尺寸不兼容：X.shape[1]== 3而Y.shape[1]==298

现在我可以看出错误与变量的形状有关，也许我在把它们分开进行训练或测试时混合了它们

我试着搜索，但没有结果，我犯了什么错误

示例：

X = (0, 96) 0.24328157992528274
(0, 191)    0.4086854706249901
(0, 279)    0.3597892480519696
(0, 209)    0.6262243704015803
(0, 287)    0.15142673105175225
(0, 44) 0.2839334104854308
(0, 31) 0.27493029497336746
(0, 62) 0.2702778021025414

Y  =[1252, 12607, 12596], [12480, 12544, 12547], [1252, 12607, 12547], [12480, 12607, 12547], [12480, 12607, 12596], [1252, 12607, 12547], [12480, 12544, 12547], [1252, 12607, 12596], [1252, 12607, 12596], [12480, 12544, 12547], [12480, 12607, 12596]

从

因此，您需要为score函数指定

X

，

y

，而不是

y\u true

和

y\u pred

尝试：

从

因此，您需要为score函数指定

X

，

y

，而不是

y\u true

和

y\u pred

尝试：

---

当训练和测试数据在

y

向量中只有一个输出时，为什么要使用多输出分类器？您是否可能将多输出与多类输出混淆？这是我之前发布的问题，请查看您能否提供

X

和

Y

数据的示例？完成后，请检查编辑您为什么使用多输出分类器，当您的训练和测试数据在

y

向量中只有一个输出时？您是否可能将多输出与多类输出混淆？这是我之前发布的问题，请您提供

X

和

Y

数据样本？完成，请检查编辑我得到这个：AttributeError:如果y.ndim==1:'list'对象没有属性'ndim'我得到这个：AttributeError:如果y.ndim==1:'list'对象没有属性'ndim'

Returns the mean accuracy on the given test data and labels.

In multi-label classification, this is the subset accuracy which is a harsh metric since you require for each sample that each label set be correctly predicted.

Parameters: 
X : array-like, shape = (n_samples, n_features)
Test samples.

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

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

Returns:    
score : float
Mean accuracy of self.predict(X) wrt. y

print classifier.score(X_test, np.array(y_test))