Python 使用Scikit Learn绘制部分相关时的值错误

我试着从一开始就学习这个例子

print（\uuuuu doc\uuuuuuu）
作为pd进口熊猫
将matplotlib.pyplot作为plt导入
从sklearn.dataset导入加载
从sklearn.neural_网络导入MLPREGESSOR
从sklearn.preprocessing导入StandardScaler
从sklearn.pipeline导入make_pipeline
从sklearn.tree导入决策树
从sklearn.inspection导入绘图\部分\依赖
波士顿=加载波士顿（）
X=pd.DataFrame（boston.data，columns=boston.feature\u name）
y=boston.target
树=决策树累加器（）
mlp=制造管道（StandardScaler（），
MLPREGESSOR（隐藏层大小=（100100），
tol=1e-2，最大值=500，随机状态=0）
树拟合（X，y）
mlp.配合（X，y）
图，ax=plt.子批次（图尺寸=（12,6））
ax.集合标题（“决策树”）
tree_disp=绘图部分依赖（tree，X，[“LSTAT”，“RM”]）

但我犯了个错误

Automatically created module for IPython interactive environment
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
~\Anaconda3\lib\site-packages\sklearn\inspection\partial_dependence.py in convert_feature(fx)
    523             try:
--> 524                 fx = feature_names.index(fx)
    525             except ValueError:

ValueError: 'LSTAT' is not in list

During handling of the above exception, another exception occurred:

ValueError                                Traceback (most recent call last)
<ipython-input-8-2bdead960e12> in <module>
     23 fig, ax = plt.subplots(figsize=(12, 6))
     24 ax.set_title("Decision Tree")
---> 25 tree_disp = plot_partial_dependence(tree, X, ["LSTAT", "RM"])

~\Anaconda3\lib\site-packages\sklearn\inspection\partial_dependence.py in plot_partial_dependence(estimator, X, features, feature_names, target, response_method, n_cols, grid_resolution, percentiles, method, n_jobs, verbose, fig, line_kw, contour_kw)
    533             fxs = (fxs,)
    534         try:
--> 535             fxs = [convert_feature(fx) for fx in fxs]
    536         except TypeError:
    537             raise ValueError('Each entry in features must be either an int, '

~\Anaconda3\lib\site-packages\sklearn\inspection\partial_dependence.py in <listcomp>(.0)
    533             fxs = (fxs,)
    534         try:
--> 535             fxs = [convert_feature(fx) for fx in fxs]
    536         except TypeError:
    537             raise ValueError('Each entry in features must be either an int, '

~\Anaconda3\lib\site-packages\sklearn\inspection\partial_dependence.py in convert_feature(fx)
    524                 fx = feature_names.index(fx)
    525             except ValueError:
--> 526                 raise ValueError('Feature %s not in feature_names' % fx)
    527         return int(fx)
    528 

ValueError: Feature LSTAT not in feature_names

为IPython交互环境自动创建的模块
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
~\Anaconda3\lib\site packages\sklearn\inspection\partial\u dependence.py in convert\u功能（fx）
523尝试：
-->524 fx=要素名称。索引（fx）
525除值错误外：
ValueError：“LSTAT”不在列表中
在处理上述异常期间，发生了另一个异常：
ValueError回溯（最近一次调用上次）
在里面
23图，ax=plt.子批次（图尺寸=（12,6））
24 ax.集合标题（“决策树”）
--->25 tree_disp=绘图部分依赖（tree，X，[“LSTAT”，“RM”]）
~\Anaconda3\lib\site packages\sklearn\inspection\partial\u dependence.py in plot\u partial\u dependence（估计器、X、特征、特征名称、目标、响应方法、n\u cols、网格分辨率、百分位数、方法、n\u作业、详细信息、图、线功率、轮廓功率）
533 fxs=（fxs，）
534尝试：
-->535 fxs=[在fxs中为fx转换功能（fx）]
536除类型错误外：
537 raise VALUE ERROR（'功能中的每个条目必须是int，'
~\Anaconda3\lib\site packages\sklearn\inspection\partial\u dependence.py in（.0）
533 fxs=（fxs，）
534尝试：
-->535 fxs=[在fxs中为fx转换功能（fx）]
536除类型错误外：
537 raise VALUE ERROR（'功能中的每个条目必须是int，'
~\Anaconda3\lib\site packages\sklearn\inspection\partial\u dependence.py in convert\u功能（fx）
524 fx=要素名称。索引（fx）
525除值错误外：
-->526提升值错误（'Feature%s不在Feature_名称'%fx'中）
527返回整数（外汇）
528
ValueError:要素名称中没有要素LSTAT

是我做错了什么，还是教程不起作用了？我曾试图在随机森林模型上绘制部分依赖关系，但得到了相同的错误

任何帮助都将不胜感激

---

更新：所有错误日志

sklearn可能有问题。请更新到最新版本（0.22.1）。您的代码在此版本下运行正常

需要注意的是：将

ax

添加到

plot\u partial\u dependency

的函数调用中，以分配ax对象：

tree_disp = plot_partial_dependence(tree, X, ["LSTAT", "RM"], ax=ax)

---

你能提供一个更详细的错误日志吗？你的例子在我使用Python3时运行得很好。@Fourier为缺少信息感到抱歉。我已经更新了itI，我正在运行0.22.1的

sklearn

，它运行没有任何问题。当

X=pd.DataFrame（boston.data，columns=boston.feature\u names）时，我可以重现你的错误。作为\u matrix（）

@Fourier我更新为sklearn 0.22.1，然后它就可以工作了。请写下你的答案，这样我就可以选择它作为答案了