Scikit learn scikit学习回归。predict（）返回类型不一致

我从sklearn.linear_模型运行三种不同的回归模型

在我的具体示例中，linear\u model.LinearRegression.predict（）和linear\u model.Ridge.predict（）都返回相同格式的（1300，1）

线性_model.Lasso.predict（）在传递完全相同的输入数据时返回a（1300，）。这会导致程序出错，打印失败

通过使用np.shape（）检查所使用的每个变量，我已经尝试确保确实传递了相同格式的数据。我将其追溯到.predict（）中不同的返回值

# Crashes when .Lasso is included in mdls
# If I only have the first two in the list (LinearRegression and Ridge) it run and plots fine.
mdls=[linear_model.LinearRegression, linear_model.Ridge, linear_model.Lasso]
argdic=[{'fit_intercept':True},{'fit_intercept':True,'alpha':.5},{'fit_intercept':True,'alpha':0.1}]  
i=0      

for m,a in zip(mdls,argdic):

    ## Run regression Fit
    res=m(**a).fit(xsk,ysk)

    predZmesh=res.predict(meshpts)

    predZact=res.predict(actpts)




    reZ=ysk['Eff. At Rated Lift'].values.reshape(len(ysk['Eff. At Rated Lift']),1)

    zerr=np.subtract(predZact,reZ)
    zerr_r=zerr.ravel()


    #Normalize the errror for colormap
    nrm=colors.Normalize(vmin=zerr_r.min(),vmax=zerr_r.max())

    r2=res.score(xsk,ysk)

    #Setup Plot
    ax=fig.add_subplot(1,len(mdls),i+1,projection='3d')

    #Plot scatter of actual data points
    #ax.scatter(xsk['Minor Comp. At Temp'],xsk['Major Comp. At Temp'],ysk,marker='o',alpha=0.9)
    print('Shape of x,y,z,err.ravel={0},{1},{2},{3}'.format(np.shape(xsk['Minor Comp. At Temp']),np.shape(xsk['Major Comp. At Temp']),np.shape(ysk['Eff. At Rated Lift']),np.shape(zerr_r)))

    ax.scatter(xsk['Minor Comp. At Temp'],xsk['Major Comp. At Temp'],ysk['Eff. At Rated Lift'],c=zerr_r,norm=nrm,cmap=plt.cm.get_cmap('RdBu'),marker='o',alpha=0.9)



    ax.plot_surface(xmeshpts,ymeshpts,
          predZmesh.reshape(xmeshpts.shape),color='red',alpha=0.1)

    i+=1    

---

回归函数是否应该返回相同格式的数据？当我阅读文档时，它显示格式是一致的。有人能确认我对一致返回值的期望是真的吗？然后我可以继续调试。

您可以添加一个条件，如果使用的模型是

linear\u model.Lasso，则可以检查并重新调整预测的输出

以下代码可用于执行重塑：
x=x.restorate（-1,1）

下面是一个简单的例子：

如果您的展平数组没有这样的列：

x = np.array([1,2,3])

x.shape
的输出当然是
（3，）

然后，我们可以对其进行重塑，以便将值存储为一个具有形状的列
（3,1）
：

在此之后，
x.shape
的输出现在是
（3，1）

从视觉上看，阵列不再是一个平面列表，而是包含一列：

array([[1],
       [2],
       [3]])

这是2015年首次报道的。当您提供具有2维的y_数组（test_y.shape=（n，1））时，就会出现问题

最简单的解决方案是在调用.predict（）方法之前展平y_数组：

（假设test_y是一个numpy数组）
根据我的经验，有时预测输出为一个平面列表，有时输出为单个列——预测的形状取决于算法。如果你想用第二副眼睛检查一下你正在复习的sklearn文档中的特定页面，请随意添加一个链接。我建议只需重新调整线性模型.Lasso.predict（）的预测，然后看看图表是否符合您的直觉。
array([[1],
       [2],
       [3]])

test_y = test_y.flatten()