为什么在这种情况下需要使用 ravel() ？
Why do I need to use ravel() in this case?
我真的很困惑为什么我需要在将数据拟合到 SGDRegressor 之前使用 ravel()。
这是代码：
from sklearn.linear_model import SGDRegressor
sgd_reg = SGDRegressor(max_iter = 1000, tol = 1e-3, penalty = None, eta0= 0.1)
sgd_reg.fit(X, y.ravel())
这些是 X 和 y 的形状：
>>> X.shape
(100, 1)
>>> y.shape
(100, 1)
>>> y.ravel().shape
(100,)
将 y 视为一个二维矩阵，尽管它只有一列。但是 fit 方法期望 y 是一个平面数组。这就是为什么您必须使用 ravel 将二维数组转换为一维数组的原因。
在机器学习论文和教科书中很常见，将y写成矩阵，因为这样可以简化矩阵相乘时的符号。但是你也可以把它写成一个简单的一维向量。你可以说它没有区别，因为在这两种情况下它实际上只有一个维度，但在数学上和 Python 实现中，矩阵和向量是两个不同的对象。
我真的很困惑为什么我需要在将数据拟合到 SGDRegressor 之前使用 ravel()。
这是代码：
from sklearn.linear_model import SGDRegressor
sgd_reg = SGDRegressor(max_iter = 1000, tol = 1e-3, penalty = None, eta0= 0.1)
sgd_reg.fit(X, y.ravel())
这些是 X 和 y 的形状：
>>> X.shape
(100, 1)
>>> y.shape
(100, 1)
>>> y.ravel().shape
(100,)
将 y 视为一个二维矩阵，尽管它只有一列。但是 fit 方法期望 y 是一个平面数组。这就是为什么您必须使用 ravel 将二维数组转换为一维数组的原因。
在机器学习论文和教科书中很常见，将y写成矩阵，因为这样可以简化矩阵相乘时的符号。但是你也可以把它写成一个简单的一维向量。你可以说它没有区别，因为在这两种情况下它实际上只有一个维度，但在数学上和 Python 实现中，矩阵和向量是两个不同的对象。