Python 哪些scikit学习工具可以处理多变量输出？

我一直在摆弄不同的scikit学习工具。监督学习类都有相同的通用API，您可以在其中调用

model.fit（X，y）

来拟合模型。使用其中的一些（至少是树外分离器），我可以为

y

传入一个二维数组，它工作得很好。对于其他人来说，这是行不通的。不过，它通常不会说为什么不起作用：我得到的形状不匹配错误表明，它只能预测单个输出维度，而实际上没有这样说。例如，对于随机梯度下降：

>>> X.shape
(77946, 24)
>>> y.shape
(77946, 24)
>>> mach = sklearn.linear_model.SGDRegressor()
>>> mach.fit(X, y)
Traceback (most recent call last):
  File "<pyshell#37>", line 1, in <module>
    mach.fit(X, y)
  File "C:\FakeProgs\Python\lib\site-packages\sklearn\linear_model\stochastic_gradient.py", line 842, in fit
    sample_weight=sample_weight)
  File "C:\FakeProgs\Python\lib\site-packages\sklearn\linear_model\stochastic_gradient.py", line 811, in _fit
    coef_init, intercept_init)
  File "C:\FakeProgs\Python\lib\site-packages\sklearn\linear_model\stochastic_gradient.py", line 752, in _partial_fit
    _check_fit_data(X, y)
  File "C:\FakeProgs\Python\lib\site-packages\sklearn\linear_model\stochastic_gradient.py", line 228, in _check_fit_data
    raise ValueError("Shapes of X and y do not match.")
ValueError: Shapes of X and y do not match.

>>X.shape
(77946, 24)
>>>y形
(77946, 24)
>>>mach=sklearn.linear_model.SGDRegressor（）
>>>马赫配合（X，y）
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
马赫配合（X，y）
文件“C:\FakeProgs\Python\lib\site packages\sklearn\linear\u model\randomic\u gradient.py”，第842行，在fit中
样品重量=样品重量）
文件“C:\FakeProgs\Python\lib\site packages\sklearn\linear\u model\randomic\u gradient.py”，第811行，以\u-fit格式
coef_init，intercept_init）
文件“C:\FakeProgs\Python\lib\site packages\sklearn\linear\u model\random\u gradient.py”，第752行，部分拟合
_检查拟合数据（X，y）
文件“C:\FakeProgs\Python\lib\site packages\sklearn\linear\u model\randomic\u gradient.py”，第228行，在检查拟合数据中
raise VALUERROR（“X和y的形状不匹配”）
ValueError:X和y的形状不匹配。

嗯，是的，他们确实相配。如果我只使用

y

的一列，它就可以工作，但我不知道这是否意味着不支持多变量

y

，或者我做得不对

是否有明确的文档说明哪些scikit类可以接受二维

y

，哪些不能？我如何判断给定类型的模型是否支持这一点，而不只是试图从错误消息中猜测？

SGDRegressor的of

SGDRegressor

明确表示预期目标具有形状

（n_样本，）

因此为1D

如果需要，您可以为每个目标包装一个for循环以适合一个

SGDRegressor

。否则，您可以尝试

Ridge

、

RidgeCV

、

ElasticNet

或

ElasticNetCV

编辑：如果您想向

SGDRegressor

添加对多目标的支持，请随时发送拉取请求。

的

SGDRegressor

明确声明预期目标具有形状

（n_示例），

因此为1D

如果需要，您可以为每个目标包装一个for循环以适合一个

SGDRegressor

。否则，您可以尝试

Ridge

、

RidgeCV

、

ElasticNet

或

ElasticNetCV

编辑：如果您想向

SGDRegressor

添加对多目标的支持，请随时发送请求