y_pred = regressor.predict(sc_X.transform(6.5)) 不工作

Question

每当我要预测时，我都会看到一个错误。 我被代码中的y_pred = regressor.predict(6.5) 卡住了。

我收到错误：

ValueError: 预期的二维数组，得到的是标量数组： 数组=6.5。 如果您的数据具有单个特征，则使用 array.reshape(-1, 1) 重塑您的数据，如果数据包含单个样本，则使用 array.reshape(1, -1)。

间谍

# SVR

# Importing the libraries

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# Importing the dataset
dataset = pd.read_csv('Position_Salaries.csv')
X = dataset.iloc[:, 1:2].values
y = dataset.iloc[:, 2].values


# Feature Scaling
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
sc_y = StandardScaler()
X = sc_X.fit_transform(X)
y = sc_y.fit_transform(y)

# Fitting SVR to the dataset
from sklearn.svm import SVR
regressor = SVR(kernel = 'rbf')
regressor.fit(X, y)

# Predicting a new result
y_pred = regressor.predict(6.5)

错误：y_pred = regressor.predict(sc_X.transform(6.5))

Traceback (most recent call last):

  File "<ipython-input-11-64bf1bca4870>", line 1, in <module>
    y_pred = regressor.predict(sc_X.transform(6.5))

  File "C:\Users\achiever\Anaconda3\lib\site-packages\sklearn\preprocessing\data.py", line 758, in transform
    force_all_finite='allow-nan')

  File "C:\Users\achiever\Anaconda3\lib\site-packages\sklearn\utils\validation.py", line 514, in check_array
    "if it contains a single sample.".format(array))

ValueError: Expected 2D array, got scalar array instead: array=6.5. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

Answer 1

很明显，因为 regressor.preedit() 需要一个值列表/数组来进行预测，并且你传递给它一个浮点数，所以它不起作用：

# Predicting a new result
y_pred = regressor.predict(6.5)

至少：

# Predicting a new result
y_pred = regressor.predict(np.array([6.5]))

但大概你有更多的东西想要传递给它，所以更像：

# Predicting a new result
y_pred = regressor.predict(some_data_array)

编辑：

您需要安排您传递给预测器的二维数组的形状，使其看起来像这样：

数据 = [[1,0,0,1],[0,1,12,5],....]

其中 [1,0,0,1] 是您想要预测的一个数据点的一组参数。 [0,1,12,5) 它是另一个数据点。

无论如何，它们都应该具有相同数量的特征（例如，在我的示例中为 4 个），并且它们应该具有与您用于训练预测器的数据相同数量的特征。

Answer 2

y_pred = sc_Y.inverse_transform(regressor.predict(sc_X.transform(np.array([[6.5]]))))

Answer 3

使用整形功能：

sc_y.inverse_transform(regressor.predict(sc_X.transform([[6.5]])).reshape(1,-1))