Python 应为2D数组，但改为1D数组。其中'；错在哪里？

我开始学习SVM和PCA。我尝试在Sci工具包学习“加载数字”数据集上应用SVM。

当我将.fit方法应用于SVC时，我得到一个错误：

“应为2D数组，改为1D数组： 数组=[1.9142151 0.58897807 1.30203491…1.02259477 1.07605691 -1.25769703]. 使用数组重塑数据。如果数据只有一个特征，则重塑（-1，1）

或数组。如果包含单个样本，则重塑（1，-1）。”

以下是我编写的代码：**

from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.preprocessing import scale
X_digits, y_digits = load_digits(return_X_y=True)
data = scale(X_digits)
pca=PCA(n_components=10).fit_transform(data)
reduced_data = PCA(n_components=2).fit_transform(data)
from sklearn.svm import SVC
clf = SVC(kernel='rbf', C=1E6)
X=[reduced_data[:,0]
y=reduced_data[:,1]
clf.fit(X, y)

---

有人能帮我吗？提前谢谢。

您的错误是因为

clf.fit（）

要求数组

X

为2维（当前为1维），并且通过使用

X.reformate（-1，1）

，

X

成为

（N，1）

（2D-如我们所愿）数组，与

（N，）

（1D）相反，其中N是数据集中的样本数。但是，我也认为您对

简化的_数据的解释可能不正确（根据我对
sklearn
的有限经验）：


您拥有的
reduced_data
数组包含两个主要组件（数据集中最重要的两个功能，
n_components=2
），您应该将其用作新的“数据”（
X
）


相反，您将
reduced_data
的第一列作为样本
X
，第二列作为目标值
y
。据我所知，更好的方法是制作
X=reduced_数据
，因为样本数据应该包含两个PCA特征，并且制作
y=y_数字
，因为PCA不会改变标签（目标）



（我还注意到您定义了
pca=pca（n\u components=10）。fit\u transform（data）
，但没有继续使用它，因此我在回答中从代码中删除了它）

因此，您可能会遇到如下情况：

from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.preprocessing import scale
from sklearn.svm import SVC

X_digits, y_digits = load_digits(return_X_y=True)
data = scale(X_digits)
# pca=PCA(n_components=10).fit_transform(data)
reduced_data = PCA(n_components=2).fit_transform(data)

clf = SVC(kernel='rbf', C=1e6)
clf.fit(reduced_data, y_digits)

我希望这有帮助
 非常感谢你！我被这件事困扰了好几个小时。