为什么 TransformedTargetRegressor 的 func 参数需要 return 二维数组而不是一维？

Question

在TransformedTargetRegressor的文档中提到参数func需要return一个二维数组。它不应该是一维数组吗？目标 y 主要具有一维形状 (n_samples,)。

下面的代码，其中目标 y 和 func 的输出是一维的，可以正常运行 -

exponentiate = lambda x: np.exp(x)
naturalLog = lambda x: np.log(x)
loglinreg = compose.TransformedTargetRegressor(regressor=linear_model.LinearRegression(),func=naturalLog,inverse_func=exponentiate)
loglinreg.fit(X_train,yCO_train)
loglinreg.score(X_train,yCO_train)

Answer 1

在source中，func是使用FunctionTransformer应用的，这需要二维输入。这也与另一个选项一致，直接设置一个 transformer 对象，通常需要二维输入。

另见 the docs 中的注释：

Internally, the target y is always converted into a 2-dimensional array to be used by scikit-learn transformers. At the time of prediction, the output will be reshaped to a have the same number of dimensions as y.

在您的示例中，它运行是因为 np.log 和 np.exp 与形状无关；在拟合过程中，这两个函数实际上是在二维数组上调用的。您可以通过定义自己的函数来检查这一点：

def mylog(y):
    return np.log(y).ravel()

使用它，我们得到预期的 Expected 2D array, got 1D array instead 错误。

为什么 TransformedTargetRegressor 的 func 参数需要 return 二维数组而不是一维？

Why does the func parameter of TransformedTargetRegressor need to return 2-dimensional array and not 1-dimensional?

python

scikit-learn

data-preprocessing