您应该通过上传data/house.csv 提供一个最小的工作示例，并提供错误的完整跟踪堆栈。
你看到的错误信息应该来自ax.plot，更具体的就行了
zs = np.broadcast_to(zs, np.shape(xs))
这是mpl_toolkits/mplot3d/axes3d.py的第1570行。
X_test['GarageArea']和X_test['YearBuilt']是两个熊猫系列，也就是说它们是一维数组，形状为(N,)。 y_predict 是 model.predict 的输出。 sklearn.linear_model.LinearRegression is able to train on multiple targets simultaneously，尽管在您的示例中，您只有一个目标，即 SalePrice，因此其输出是形状为 (n_samples, n_targets) 或 (N,1) 的矩阵，类似于[[1],[2],[3],...]。
Axes3D.plot 可以输入 (xs, ys, zs, ...)。出于某种原因，Axes3D.plot 的作者决定 zs 应该是
因此相同的 z 将与所有 (xs, ys) 相关联，np.broadcast_to 用于处理这两种情况。第一种情况broadcast_to不生效，第二种情况会创建一个xs和ys形状相同的数组，取值为zs。
在您的代码中，numpy 将尝试将 (N,1) 广播到 (N,)。 (N,1) 表示它是长度为 1 的数组的长度为 N 的数组，例如[[1],[2],[3]]。 broadcast_to与repeat类似，不可能重复(N,1)得到(N,)。
你可以多尝试几个测试来理解np.broadcast_to的规则：
| no |
test |
status |
| 01 |
np.broadcast_to(1,np.shape([1,2,3,4,5,6])) |
ok |
| 02 |
np.broadcast_to([1],np.shape([1,2,3,4,5,6])) |
ok |
| 03 |
np.broadcast_to([[1]],np.shape([1,2,3,4,5,6])) |
error |
| 04 |
np.broadcast_to([1,2,3],np.shape([1,2,3,4,5,6])) |
error |
| 05 |
np.broadcast_to([1,2,3,4,5,6],np.shape([1,2,3,4,5,6])) |
ok |
| 06 |
np.broadcast_to([[1,2,3,4,5,6]],np.shape([1,2,3,4,5,6])) |
error |
| 07 |
np.broadcast_to(1,np.shape([[1,2,3],[4,5,6]])) |
ok |
| 08 |
np.broadcast_to([1],np.shape([[1,2,3],[4,5,6]])) |
ok |
| 09 |
np.broadcast_to([[1]],np.shape([[1,2,3],[4,5,6]])) |
ok |
| 10 |
np.broadcast_to([1,2,3],np.shape([[1,2,3],[4,5,6]])) |
ok |
| 11 |
np.broadcast_to([[1,2,3]],np.shape([[1,2,3],[4,5,6]])) |
ok |
| 12 |
np.broadcast_to([[1],[2],[3]],np.shape([[1,2,3],[4,5,6]])) |
error |
| 13 |
np.broadcast_to([1,2],np.shape([[1,2,3],[4,5,6]])) |
error |
| 14 |
np.broadcast_to([1,2,3,4],np.shape([[1,2,3],[4,5,6]])) |
error |
为了解决您的问题，请将ax.plot 中的y_pred（案例6）更改为y_pred.flatten()（案例5）。
附上 MWE：
import numpy as np
import pandas as pd
from sklearn import linear_model
from sklearn.metrics import r2_score
from sklearn.model_selection import train_test_split
rng = np.random.default_rng()
N = 2000
yearBuilt = rng.random(N)*(2020-1860)+1860
garageArea = rng.random(N)*1000
salePrice = rng.normal(yearBuilt*1000 + garageArea*500 + (yearBuilt-1860)*garageArea/(2020-1860)/1000*300000,50000,N)
data = {
'YearBuilt': yearBuilt,
'GarageArea': garageArea,
'SalePrice': salePrice
}
df = pd.DataFrame(data)
# Assign X and Y axis
X = df[['GarageArea', 'YearBuilt']].apply(pd.to_numeric)
y = df[['SalePrice']].apply(pd.to_numeric)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=1)
model = linear_model.LinearRegression(fit_intercept=1)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
ax.scatter(X['GarageArea'], X['YearBuilt'], y, c='blue', marker='o')
ax.plot(X_test['GarageArea'], X_test['YearBuilt'], y_pred.flatten(), color='red', linewidth=3)
# set your labels
ax.set_xlabel('Garage Area')
ax.set_ylabel('Year Built')
ax.set_zlabel('Price')
plt.show()
See output image of the MWE
假设您在笛卡尔 x-y-z 坐标系中绘制对象。 model.predict 可以被认为是一个映射 (GarageArea, YearBuilt) 另一个数组的数组的函数。 X_test 是一组在 x-y 平面上随机选择和排序的点，model.predict 将计算 z 坐标。你所看到的将是一组随机有序的点，它们像一团纱线一样连接在一起。
要绘制一条反映模型线性度的线，您需要提供该线在 x-y 平面上的投影作为model.predict 的输入，而不是 X_test。您可以使用 GarageArea 的线性回归作为 YearBuilt 的函数来获得该线。另一种思路是画线性预测平面，或者趋势平面，比趋势线更准确。