有人可以解释这一行： Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

Question

我一直在调整 this example 以使用 20 个功能，而不是 2 个。我已经完成了大部分工作，但它在这一行给我一个错误：

Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

predict_proba 的 documentation 只是讨论 x 的输入，而不是 x 和 y，此外我们还有 ravel() 在这里进行。所以想知道发生了什么事？我遇到的错误发生在它尝试进行连接时：

338         res = _nx.concatenate(tuple(objs), axis=self.axis)
    339         return self._retval(res)
    340 

ValueError: all the input array dimensions except for the concatenation axis must match exactly

但我已经检查过我的 xx（测试输入）和 yy（测试标签）中的行数相同。

Answer 1

这个例子似乎工作正常。

关键是这一行：y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1。

说明这里的yy并不是你想象的和label有关，而是二次元。因此，连接代码只是简单地创建一个包含所有特征的网格，然后将其输入模型以形成预测。

更详细：

您可以逐行查看代码，看看会发生什么。

之前

Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

如果将 np.c_[xx.ravel(), yy.ravel()] 存储在名称为 vrb

的变量中

vrb = np.c_[xx.ravel(), yy.ravel()]

那你就可以看看是什么了

vrb.shape
vrb

结果：

(61600L, 2L)

array([[ 3.3 ,  1.  ],
       [ 3.32,  1.  ],
       [ 3.34,  1.  ],
        ...,
       [ 8.84,  5.38],
       [ 8.86,  5.38],
       [ 8.88,  5.38]])

这意味着 np.c_[xx.ravel(), yy.ravel()] 的结果是一个包含 61600 行（样本）和 2 个特征（列）的数组。

使用 clf.predict_proba(vrb) 预测这些样本的标签。

矩阵 "vrb" 必须与您用于分类器拟合（训练阶段）的矩阵具有相同的 "second dimension"（列数）。

要测试此用途：

X.shape

结果是：

(150L, 2L)

你可以清楚地看到训练数据（X）有2列（特征）。

如果您上传代码和数据，我可以提供更多帮助。

有人可以解释这一行： Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

Can someone explain this line: Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])

gaussian

scikit-learn