为什么TransformedTargetRegressor的func参数需要返回二维数组而不是一维？

【问题标题】：Why does the func parameter of TransformedTargetRegressor need to return 2-dimensional array and not 1-dimensional?为什么TransformedTargetRegressor的func参数需要返回二维数组而不是一维？
【发布时间】：2021-07-17 17:14:46
【问题描述】：

TransformedTargetRegressor的文档中提到参数func需要返回一个二维数组。它不应该是一维数组吗？目标 y 主要具有一维的形状 (n_samples,)。

下面的代码，其中目标 y 和 func 的输出是一维的，运行正常 -

exponentiate = lambda x: np.exp(x)
naturalLog = lambda x: np.log(x)
loglinreg = compose.TransformedTargetRegressor(regressor=linear_model.LinearRegression(),func=naturalLog,inverse_func=exponentiate)
loglinreg.fit(X_train,yCO_train)
loglinreg.score(X_train,yCO_train)

【问题讨论】：

标签： python scikit-learn data-preprocessing

【解决方案1】：

在source 中，func 使用FunctionTransformer 应用，这需要二维输入。这也与另一个选项一致，直接设置 transformer 对象，通常需要二维输入。

另见the docs中的注释：

在内部，目标y 始终转换为二维数组以供 scikit-learn 转换器使用。在预测时，输出将被重新整形为具有与y 相同的维数。

在您的示例中，它运行是因为 np.log 和 np.exp 与形状无关；在拟合期间，这两个函数实际上是在二维数组上调用的。您可以通过定义自己的 func 来检查这一点：

def mylog(y):
    return np.log(y).ravel()

使用它，我们得到预期的Expected 2D array, got 1D array instead 错误。

【讨论】：