Python 基于Sklearn的多元线性回归

我想使用带有多维输入和输出样本（例如向量）的

sklearn

来训练线性模型

Y=M_1*X_1+M_2*X_2

。我尝试了以下代码：

from sklearn import linear_model
from pandas import DataFrame 

x1 = [[1,2],[2,3],[3,4]]
x2 = [[1,1],[3,2],[3,5]]
y = [[1,0],[1,2],[2,3]]
model = {
    'vec1': x1,
    'vec2': x2,
    'compound_vec': y}

df = DataFrame(model, columns=['vec1','vec2','compound_vec'])
x = df[['vec1','vec2']].astype(object)
y = df['compound_vec'].astype(object)
regr = linear_model.LinearRegression()
regr.fit(x,y)

但我得到了以下错误：

regr.fit(x,y)
 ...
array = array.astype(np.float64)
ValueError: setting an array element with a sequence.

---

有人知道代码有什么问题吗？如果这是训练

Y=M_1*X_1+M_2*X_2

？

的正确方法，只需将

x1

、

x2

和

Y

列表展平即可。一种方法是按如下方式使用数组：

import numpy as np
x1 =np.array(x1).flatten()
x2 =np.array(x2).flatten()
y =np.array(y).flatten()

第二种方法是使用

ravel

as：

x1 =np.array(x1).ravel()
x2 =np.array(x2).ravel()
y =np.array(y).ravel()

第三种不使用NumPy的方法是使用列表理解：

x1 =[j for i in x1 for j in i]
x2 =[j for i in x2 for j in i]
y =[j for i in y for j in i]

可能有更多的方法，但你知道问题所在。更多的方法，你可以看看

输出

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

---

我对你的问题投了赞成票，因为知道输入数据的正确格式与训练你的模型相关。你的目标是，正如你的第一句话所暗示的那样，同时学习和预测多个输出值吗（公式中Y是多维的吗）？或者它只是重新格式化数据（正如在接受的答案中所做的那样）？@MarcusV。我需要训练模型，以便给定两个多维输入，如向量，它在相同的空间（向量）中预测输出，因此

M_1

和

M_2

在矩阵空间中。如果有一个自变量，情况会很好，但我对有两个自变量感到困惑。@Shimil:这里没有什么好困惑的。在

Y=M_1*X_1+M_2*X_2

中，对于给定值

X_1

和给定值

X_2

，您将有一个相应的

Y

值。因此，如果你的数据中有6对

X_1

和

X_2

值，那么你将有6个

Y

@Bazingaa的输出值，可能Shimil仍然希望实际有多个输出/因变量，但线性回归无法开箱即用。它可以使用[MultiOutputRegressor]（sklearn.MultiOutputRegressor.MultiOutputRegressor）包装器工作，假设y和y都可以独立预测（因为它适合每个输出一个模型）。