如何在 Sklearn.preprocessing 中使用 .reshape() 进行 PolynomialFeatures 以获得 Multinomial 多项式回归的正确输入数量？

Question

我正在学习 sklearn 特别是多项式模型拟合。 将

PolynomialFeatures

函数用于 2^nd 次多项式，我不明白

LinearRegression()

功能如何根据数据帧维度读取数据。这是我不断收到的错误消息，后面是要复制的代码：

ValueError： X 有 4 个特征，但 LinearRegression 期望 14 个特征作为输入。

这是要复制的代码：

# Create dataframes
Dum_data = pd.DataFrame([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
Dum_data_y = pd.DataFrame([[13],[14],[15]])

#Fit to 2 degree polynomial
poly_fit = PolynomialFeatures(degree = 2, include_bias = False)
Dum_poly = poly_fit.fit_transform(Dum_data)

print(Dum_data.shape, Dum_data_y.shape)
# #Fit the linear model to this
modl = LinearRegression()
modl.fit(Dum_poly, Dum_data_y)

# #Now get the predictions
Dum_y_pred = modl.predict(Dum_data)

我在这里看到类似的问题，转换为 numpy 数组并重塑，但在指南中，我尝试使用 多项式回归...使用 scikit-learn 和 使用 Python 进行多元回归，它们似乎正在传递数据帧。我知道我需要以某种方式使用

.reshape()

函数，但是在尝试了不同维度的数据之后，我不知道如何确定预期的特征数量。谢谢！

Answer 1

您可以修改代码的最后一行，如下所示：

Dum_y_pred = modl.predict(Dum_poly)

原始数据包含4个特征：x1、x2、x3和x4。

当您应用 PolynomialFeatures 的二阶时，它会添加 10 个以上特征：x1x1、x1x2、x1x3、x1x4、x2x2、x2x3、x2x4、x3x3、x3x4 和 x4x4。

总共会产生 14 个用于训练模型的特征。 因此，你的模型只能接受具有这 14 个特征的数据。