Python 使用sklearn digits数据集预测数字-错误

我想建立一个简单的数字预测模型

因此，我：

加载到sklearn数据集中

使用DecisionTreeClassifier（）命令

符合数据

预测新形象

我做错了什么

ValueError                                Traceback (most recent call last)
<ipython-input-9-b58a2a08d39b> in <module>()
----> 1 clf.predict(digits.data[-1])

ValueError回溯（最近一次调用）
在（）
---->1 clf.预测（数字.数据[-1]）

您的问题是，当模型请求2D数组时，您正在传递1D数组

这应该能奏效

from sklearn import datasets
from sklearn import tree
from sklearn.model_selection import StratifiedKFold

# load the digits dataset
digits = datasets.load_digits()

# separate features and labels
X_digits = digits.data
y_digits = digits.target

# split data into training and testing sets
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=42)
for train_index, test_index in k_fold.split(X_digits, y_digits):
        train_features, test_features = X_digits[train_index], X_digits[test_index]
        train_labels, test_labels = y_digits[train_index], y_digits[test_index]

# fit to model
clf = tree.DecisionTreeClassifier()
clf = clf.fit(train_features, train_labels)

# predict on the testing features
print(clf.predict(test_features))

---

还有，看一看。它可能会为您提供更多信息。

您的问题是，当模型请求二维阵列时，您正在传递一维阵列

这应该能奏效

from sklearn import datasets
from sklearn import tree
from sklearn.model_selection import StratifiedKFold

# load the digits dataset
digits = datasets.load_digits()

# separate features and labels
X_digits = digits.data
y_digits = digits.target

# split data into training and testing sets
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=42)
for train_index, test_index in k_fold.split(X_digits, y_digits):
        train_features, test_features = X_digits[train_index], X_digits[test_index]
        train_labels, test_labels = y_digits[train_index], y_digits[test_index]

# fit to model
clf = tree.DecisionTreeClassifier()
clf = clf.fit(train_features, train_labels)

# predict on the testing features
print(clf.predict(test_features))

---

还有，看一看。它可能会为您提供进一步的信息。

因为这似乎是您使用sklearn的开始，所以我想从功能和示例方面向您介绍一下这些东西是如何工作的

要训练模型，需要使用两个属性来拟合分类器，即特征向量和每个向量的标签。特征向量由

2dn*M

数组表示，其中每行对应一个新样本，每列对应一个特定特征。标签必须是大小为N的

1D

数组，即每个样品一个标签。（每个样本甚至可以有多个标签，但现在让我们重点关注每个样本一个标签）

现在使用上述概念，您可以找出预测函数中的错误

digits.data

是一个

2D

数组和数字，其中每行对应一个样本。现在

数字。数据[-1]

是一个

1D

数组，它没有任何列，但您知道该

1D

数组中的每个数字实际上是一个特征（即一列）。因此，您需要将该

1D

数组重塑为一个包含1行和N列的

2D

数组。在这里，numpy的重塑方法可以派上用场。只需执行

数字。数据[-1]。重塑（1，-1）

即可达到预期效果并应用于预测方法。然后，您的代码将成为

clf.predict(digits.data[-1].reshape(1,-1))

---

请考虑阅读numpy.reforme的教程，了解

.reforme（）

方法正在做什么以及如何做的更多细节。

由于这似乎是您使用sklearn的开始，我想从功能和示例方面为您介绍一些基本的工作原理

要训练模型，需要使用两个属性来拟合分类器，即特征向量和每个向量的标签。特征向量由

2dn*M

数组表示，其中每行对应一个新样本，每列对应一个特定特征。标签必须是大小为N的

1D

数组，即每个样品一个标签。（每个样本甚至可以有多个标签，但现在让我们重点关注每个样本一个标签）

现在使用上述概念，您可以找出预测函数中的错误

digits.data

是一个

2D

数组和数字，其中每行对应一个样本。现在

数字。数据[-1]

是一个

1D

数组，它没有任何列，但您知道该

1D

数组中的每个数字实际上是一个特征（即一列）。因此，您需要将该

1D

数组重塑为一个包含1行和N列的

2D

数组。在这里，numpy的重塑方法可以派上用场。只需执行

数字。数据[-1]。重塑（1，-1）

即可达到预期效果并应用于预测方法。然后，您的代码将成为

clf.predict(digits.data[-1].reshape(1,-1))

---

请考虑查看numpy.reforme的详细信息，了解

.reforme（）

方法的作用和方式。

这应该是您的错误：

ValueError:应为2D数组，而应为1D数组： 数组=[0.0.10.14.8.1.0.0.0.2.16.14.6.1.0.0.0.0。 15. 15. 8. 15. 0. 0. 0. 0. 5. 16. 16. 10. 0. 0. 0. 0. 12. 15. 15. 12. 0. 0. 0. 4. 16. 6. 4. 16. 6. 0. 0. 8. 16. 10. 8. 16. 8. 0. 0. 1. 8. 12. 14. 12. 1. 0.]. 使用数组重塑数据。如果数据具有单个特征或数组，则重塑（-1，1）。如果数据包含单个样本，则重塑（1，-1）

除了最后一排，你把所有的都淘汰了。这就是你想做的吗

import numpy as np
arr = np.array([[11,52], [46, 49], [35, 26]])
arr[-1]

你可以和我一起去

digits.data[-1].reshape(-1, 1)  

---

但只有当您仅使用一维数组（如错误所示）训练您的模型时。

这应该是您的错误：

ValueError:应为2D数组，而应为1D数组： 数组=[0.0.10.14.8.1.0.0.0.2.16.14.6.1.0.0.0.0。 15. 15. 8. 15. 0. 0. 0. 0. 5. 16. 16. 10. 0. 0. 0. 0. 12. 15. 15. 12. 0. 0. 0. 4. 16. 6. 4. 16. 6. 0. 0. 8. 16. 10. 8. 16. 8. 0. 0. 1. 8. 12. 14. 12. 1. 0.]. 使用数组重塑数据。如果数据具有单个特征或数组，则重塑（-1，1）。如果数据包含单个样本，则重塑（1，-1）

除了最后一排，你把所有的都淘汰了。这就是你想做的吗

import numpy as np
arr = np.array([[11,52], [46, 49], [35, 26]])
arr[-1]

你可以和我一起去

digits.data[-1].reshape(-1, 1)  

---

但是，如果你只使用一维数组来训练你的模型，就像错误所说的那样。

非常感谢你的回答。你们都对这一点作出了回应。现在，我明白了错误。实际上，我从和中学习了这个例子

它主要是python版本，在python predict函数的前一个版本中接受1D数组，但现在它已被弃用，因此通过在1D数组周围使用大括号（如[1D array]）将使其成为2D数组。现在，下面的代码工作得很好

import matplotlib.pyplot as plt

from sklearn import datasets

from sklearn import tree

digits = datasets.load_digits()

clf = tree.DecisionTreeClassifier()

clf = clf.fit(digits.data[:-1], digits.target[:-1])

clf.predict(digits.data[[-1]])

输出为数组（[8]）

---

再次感谢您的帮助

非常感谢您的回答。你们都对这一点作出了回应。现在，我明白了错误。实际上，我从和中学习了这个例子

它主要是python版本，在python predict函数的前一个版本中接受1D数组，但现在它已被弃用，因此在1D数组周围使用大括号，如[1D arr]