Python多项式特征将数据转换为与原始数据不同的形状

我使用sklearn的多项式特征将数据预处理为各种程度的变换，以便比较它们的模型拟合度。 下面是我的代码：

从sklearn.linear\u模型导入线性回归 从sklearn.preprocessing导入多项式特征 从sklearn.model\u选择导入列车\u测试\u拆分 np.random.0 x和y是原始数据 n=100 x=np.linspace0,10，n+np.random.randn/5 y=np.sinx+n/6+np.random.randn/10 使用.多项式特征和fit_变换将原始数据转换为2次 poly1=多项式特征梯度=2 x_D2_poly=poly1.fit_transformx 看看他们的尺寸 x、 形状

---

x_D2_poly.shape我认为你需要重塑你的x形

x=x.reshape(-1,1)

你的x的形状是100，而不是100,1，适合2维。 获得5151个特征的原因是，每个不同的特征对100*99/2=4950有一个特征，每个特征平方100有一个特征，每个特征100的一次幂有一个特征，而第0次幂有一个特征

对您编辑的问题的答复：

---

您需要调用转换您希望预测的数据

谢谢！我查看了文档，它说-1意味着新的形状应该与原始形状兼容，当输入整形-1，1时，它意味着我们希望Python计算出数组的长度和剩余维度，以便它与原始形状相对应。我的想法正确吗？使用-1意味着根据其他提供的维度计算出这个维度。在这种情况下，我们说我们需要1列和100/1行。我也回答了您编辑的问题，但既然我回答了您的第一个问题，您介意接受答案吗？再次感谢。我很抱歉没有早点投票给你，因为我有点忙于理解重塑的事情…：P