Python sklearn中naive_bayes.py的解包错误

我将一个arff文件作为输入，并读取其中的数据部分，以获得训练和测试实例。我现在计划做GaussiaNB、决策树等来训练我的数据，并用于预测测试数据的类。 当我尝试执行此操作时，会出现以下错误： 文件“/Library/Frameworks/Python.framework/Versions/3.4/lib/python3.4/site packages/sklearn/naive_bayes.py”，第152行 n_样本，n_特征=X.shape 值错误：需要超过1个值才能解包

以下是我的代码的详细信息： 目前，我已将数据集缩减为仅10个实例，以调试该问题。（培训规模：8，测试规模：2） 课程/标签：2（好和坏）（这是我想用上述学习者预测的）

我的输入文件：

@关系petsc\U数据

@属性lambda max by magnity im NUMERIC

@属性右带宽数值

@ATTRIBUTE avgdistfromdiag NUMERIC

@属性对称数字

@属性n-dummy-rows NUME

RIC

@ATTRIBUTE blocksize NUMERIC

@属性每行数字的最大nn0

@属性诊断明确数字

@ATTRIBUTE avgnnzprow NUMERIC

@属性lambda max by magnity re NUMERIC

@属性椭圆数字

@ATTRIBUTE nnzup NUMERIC

@属性ruhe75绑定数字

@ATTRIBUTE avg diag dist NUMERIC

@ATTRIBUTE nnz NUMERIC

@属性lambda最小值（按大小重新计算）

@属性lambda max by im part im NUMERIC

@属性左带宽数值

@ATTRIBUTE norm1 NUMERIC

@属性西格玛最小数值

@属性和数字

@属性n-struct-unsymm NUMERIC

@属性lambda min（按大小）im NUMERIC

@属性对角平均数值

@属性对角优势数值

@属性虚拟行数字

@ATTRIBUTE ritz-values-r NUMERIC

@ATTRIBUTE symmetry snrom NUMERIC

@属性对称扇形数字

@属性对称fsnorm NUMERIC

@属性颜色数字

@属性lambda max按im部分重新编号

@ATTRIBUTE col variability NUMERIC

@属性跟踪abs NUMERIC

@ATTRIBUTE ritz-values-c NUMERIC

@ATTRIBUTE nnzeros NUMERIC

@ATTRIBUTE diag zerostart NUMERIC

@属性和数字

@属性正分数数值

@属性跟踪数字

@ATTRIBUTE min nn每行数字为零

@属性对角符号数字

@属性行可变性数值

@ATTRIBUTE nrows NUMERIC

@属性lambda max by real part im NUMERIC

@属性颜色偏移数值

@属性n-颜色数字

@ATTRIBUTE relsymm NUMERIC

@属性对角方差数值

@属性离开数值

@ATTRIBUTE nnzlow NUMERIC

@ATTRIBUTE n-nonzero-diags NUMERIC

@ATTRIBUTE sigma max NUMERIC

@属性虚拟行种类数字

@ATTRIBUTE kappa NUMERIC

@属性n-ritz-values数值

@属性颜色集大小数字

@ATTRIBUTE sigma diag dist NUMERIC

@ATTRIBUTE symmetry anorm NUMERIC

@属性椭圆ax数值

@属性值为数值

@属性椭圆cx数值

@ATTRIBUTE normF NUMERIC

@属性normInf NUMERIC

@属性绑定数字

@实数部分的lambda max属性
@ATTRIBUTE nnzdia NUMERIC


@属性跟踪为四次数字


@属性类{good，bad}


@DATA


“代码”这些代码>，他们他们的864，4，864，4，4，4，4，2.8787871694，21 18，0.0118，0.1670 0.8016716716716460.3434355858892，0.5858584141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141414141，？，475474.4,0.0007929995,1.935847，？，0.9358466,18.82156,5.727387,0.00236145,2.8716941136354.2513，坏的

“代码”这些代码>在1801、6、1801、6、1801、12、76761310 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0他们他们他们他们他们的1801、1801、1801他们他们他们他们他们他们他们他们他们他们他们的1801，他们他们他们他们他们他们他们他们他们的1801 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 03275275474747474747474747474747474747474747474747479 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9.4141414141414141414141414141414141414141414141414141414141414141414141414141419 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9，77，？，1328154.0,0.05763386,10.6881，？，9.688105,23.2352,29.9004,0.03057284,20.376211801539.8737，坏的
在这些代码中，他们的1800、1800、6、6、6、6、7、6、6、6、0.0 0 0.0 0.41414141414141414141414141417、0.0 0 0.3513313119，他们的1800、1800、1800、6、6、6、6、6、6、6、6以及0.0.0.0.0.0.414141414141414141414141414141414141414141414141414141414141414141414141414141410.0.41414141414141414141414141414141414141414141414141414141410.0.41414141414141414141414141414141414141414141414141414141414141410.4141414141414141414141414141414141414141414141414141414141411.44,81，？，1327519.0,0.1013244,1.30505,0.001032658,0.3050501,4.579824,2.99671,0.04196146,1.61011801,20.97304，坏的

，420,5，？93402,11，？5,1.0，？1000，？244.45952796，-0.00292884，？42136627470000.0，？420476，？52.27869，-7227981000.0，？36139900000.07466151
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics, preprocessing
from sklearn import svm, naive_bayes, neighbors, tree
from sklearn.ensemble import AdaBoostClassifier
from sklearn import cross_validation
from tabulate import tabulate
from scipy.io.arff import loadarff
import arff
import pandas as pd
import numpy as np
import csv #not used right now
import scipy as sp
import numpy as np

filename = 'input.arff'
dataset = arff.load(open(filename, 'r'))
meta, data = loadarff(filename)
no_of_lines = len(meta)
train_size = int(0.8 * no_of_lines)

targets = []
targets = meta['nnzeros']
print(len(meta[0:70][0:train_size]))
print(meta['class'][0:train_size])
X = meta[0:70][0:train_size]
Y = meta['class'][0:train_size]
Z = meta[0:70][train_size:no_of_lines]
y_gnb = gnb.fit(X,Y).predict(Z)
print('Gaussian Naive Bayes prediction: -> ',y_gnb)