Python sklearn linearregression（）不'；t回归矩阵

我有一个矩阵

x_列

，它由10个输入数据集组成

y_train

是唯一的培训输出。每个输入或输出有422个元素

对于测试，我有一个类似的设置，每个输入或输出只有20个元素

x_train.shape = (422, 10)
y_train.shape = (422,)
x_test.shape = (20, 10)
y_test.shape = (20,)

这里我用矩阵训练模型r

r = linear_model.LinearRegression()
r.fit(x_train, y_train)

现在，当我给它一个矩阵形式的测试输入时，我收到一个向量作为预测输出

y_predict = r.predict(x_test)

使用

y\u predict.shape=（20，）

，但我希望它再次返回一个矩阵

据我所知，我应该能够输入一组数据（矩阵的一行）并接收预测（与矩阵的那一行具有相同的维度）

有趣的是，当我使用一个向量来训练我的回归模型时，它会产生一个与输入向量大小相同的预测向量。然而，如果我用一个矩阵来训练它，如果输入是一个向量，它就会产生一个标量

下面是这个例子的代码，我得到了一个向量输入的向量输出，因为回归模型是由向量设定的

from sklearn import datasets, linear_model
# Load the diabetes dataset
diabetes = datasets.load_diabetes()
# Use only one feature
diabetes_X = diabetes.data[:, np.newaxis, 2] # change 2 to something else for other features
# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
# Create linear regression object
regr = linear_model.LinearRegression()
# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)
y_predict=regr.predict(diabetes_X_train)
print("y_predict.shape =", y_predict.shape)

形状是

y\u.Shape=（422，）

---

如何为矩阵的每个输入行获得一个输出？

线性回归用于建模可能多个维度（输入x）与一个标量变量（输出y）的关系

对一次观测的每一次预测都将产生一个标量。如果要预测多行，那么它将是标量向量（就像对每行调用predict并连接结果）

您不确定返回向量的原因的代码正在拟合多个观测值，每个观测值都有一个维度

向代码中添加打印，如下所示：

regr.fit(diabetes_X_train, diabetes_y_train)
print(diabetes_X_train.shape)
# (422, 1)

---

由于您有422个观测值，预测将输出422个标量输出的向量。

线性回归用于建模可能多个维度（输入x）与一个标量变量（输出y）的关系

对一次观测的每一次预测都将产生一个标量。如果要预测多行，那么它将是标量向量（就像对每行调用predict并连接结果）

您不确定返回向量的原因的代码正在拟合多个观测值，每个观测值都有一个维度

向代码中添加打印，如下所示：

regr.fit(diabetes_X_train, diabetes_y_train)
print(diabetes_X_train.shape)
# (422, 1)

---

由于您有422个观测值，预测将输出422个标量输出的向量。

那么您对整个矩阵->矩阵映射有什么想法？你在这里做线性回归。问题是将输入向量映射到某个标量，就像这样。Wiki:

在统计学中，线性回归是一种建模标量因变量y和一个或多个表示为X的解释变量（或自变量）之间关系的方法

结果：输入向量->标量；输入矩阵->向量（标量）正确。但当我用向量训练我的模型时，我得到了向量输入的向量输出。你能解释一下吗？因为你（有效地）拟合了多行，每行1维。检查形状和sklearn的输入假设<代码>np.数组（[1,2,3]）！=np.array（[[1]，[2]，[3]]）我添加了向量->向量大小写的代码。你有解决这个问题的办法吗？那么你对整个矩阵->矩阵映射有什么想法？你在这里做线性回归。问题是将输入向量映射到某个标量，就像这样。Wiki:

在统计学中，线性回归是一种建模标量因变量y和一个或多个表示为X的解释变量（或自变量）之间关系的方法

结果：输入向量->标量；输入矩阵->向量（标量）正确。但当我用向量训练我的模型时，我得到了向量输入的向量输出。你能解释一下吗？因为你（有效地）拟合了多行，每行1维。检查形状和sklearn的输入假设<代码>np.数组（[1,2,3]）！=np.array（[[1]，[2]，[3]]）我添加了向量->向量大小写的代码。你有办法解决这个问题吗？