regressione lineare aspetta X
come una matrice a due dimensioni ed internamente richiede X.shape[1]
per inizializzare un array np.ones
. Quindi convertire lo X
in un array nx1 farebbe il trucco. Quindi, sostituire:
regr.fit(x,y)
da:
regr.fit(x[:,np.newaxis],y)
Questo risolverà il problema. Demo:
>>> from sklearn import datasets
>>> from sklearn import linear_model
>>> clf = linear_model.LinearRegression()
>>> iris=datasets.load_iris()
>>> X=iris.data[:,3]
>>> Y=iris.target
>>> clf.fit(X,Y) # This will throw an error
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib/python2.7/dist-packages/sklearn/linear_model/base.py", line 363, in fit
X, y, self.fit_intercept, self.normalize, self.copy_X)
File "/usr/lib/python2.7/dist-packages/sklearn/linear_model/base.py", line 103, in center_data
X_std = np.ones(X.shape[1])
IndexError: tuple index out of range
>>> clf.fit(X[:,np.newaxis],Y) # This will work properly
LinearRegression(copy_X=True, fit_intercept=True, normalize=False)
per tracciare la retta di regressione utilizzare il codice qui sotto:
>>> from matplotlib import pyplot as plt
>>> plt.scatter(X, Y, color='red')
<matplotlib.collections.PathCollection object at 0x7f76640e97d0>
>>> plt.plot(X, clf.predict(X[:,np.newaxis]), color='blue')
<matplotlib.lines.Line2D object at 0x7f7663f9eb90>
>>> plt.show()
fonte
2014-11-24 16:34:57
Spiacente ho letto male completamente la tua domanda :(ho cancellato la risposta, se posso ottenere un correggi quindi cancellerò la risposta modificata, ma puoi fornire ulteriori informazioni? Come il tuo codice completo? – Ffisegydd
Questo è il codice che ti serve, non c'è nient'altro di importante – JackLametta
Davvero? Cos'è 'linear_model'? Come hai fatto get it? – Ffisegydd