预期的二维数组，得到的是一维数组 instead.Where 的错误？

Question

我开始学习 SVM，PCA.I 尝试在 Sci-Kit Learn 'load_digits' 数据集上应用 SVM。

当我将 .fit 方法应用于 SVC 时，出现错误：

"预期的二维数组，得到的是一维数组：数组=[ 1.9142151 0.58897807 1.30203491 ... 1.02259477 1.07605691 -1.25769703]。如果您的数据只有一个特征

，则使用 array.reshape(-1, 1) 重塑您的数据

或 array.reshape(1, -1) 如果它包含单个样本。"

这是我写的代码：**

from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.preprocessing import scale
X_digits, y_digits = load_digits(return_X_y=True)
data = scale(X_digits)
pca=PCA(n_components=10).fit_transform(data)
reduced_data = PCA(n_components=2).fit_transform(data)
from sklearn.svm import SVC
clf = SVC(kernel='rbf', C=1E6)
X=[reduced_data[:,0]
y=reduced_data[:,1]
clf.fit(X, y)

有人可以帮我吗？先谢谢了。

Answer 1

您的错误是由于 clf.fit() 要求数组 X 是 2 维的（目前它是 1 维的），并且通过使用 X.reshape(-1, 1)、X 变成了 (N,1)（2D - 正如我们所希望的那样）数组，而不是 (N,) (1D)，其中 N 是数据集中的样本数。但是，我也认为您对 reduced_data 的解释可能不正确（根据我对 sklearn 的有限经验）：

您拥有的reduced_data数组包含两个主成分（数据集中两个最重要的特征，n_components=2），您应该将其用作新的“数据”（X）。
相反，您将 reduced_data 的第一列作为样本 X，将第二列作为目标值 y。据我了解，更好的方法是制作 X = reduced_data，因为样本数据应同时包含 PCA 特征，并制作 y = y_digits，因为 PCA 未更改标签（目标）。

（我还注意到您定义了 pca = PCA(n_components=10).fit_transform(data)，但没有继续使用它，所以我已将其从我的答案中的代码中删除）。

结果，你会得到这样的结果：

from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.preprocessing import scale
from sklearn.svm import SVC

X_digits, y_digits = load_digits(return_X_y=True)
data = scale(X_digits)
# pca=PCA(n_components=10).fit_transform(data)
reduced_data = PCA(n_components=2).fit_transform(data)

clf = SVC(kernel='rbf', C=1e6)
clf.fit(reduced_data, y_digits)

希望对您有所帮助！

预期的二维数组，得到的是一维数组 instead.Where 的错误？

Expected 2D Array,got 1D array instead.Where's the mistake?

python

scikit-learn

svm

pca