在机器学习中使用 numpy.newaxis

Question

我正在尝试增加初始数组的维度：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
x = 10*rng.rand(50)
y = np.sin(x) + 0.1*rng.rand(50)

poly = PolynomialFeatures(7, include_bias=False)
poly.fit_transform(x[:,np.newaxis])

首先，我知道 np.newaxis 正在创建附加列。为什么需要这样做？

现在我将使用线性回归训练更新后的 x 数据（多边形）

test_x = np.linspace(0,10,1000)
from sklearn.linear_model import LinearRegression

model = LinearRegression()
# train with increased dimension(x=poly) with its target
model.fit(poly,y)
# testing
test_y = model.predict(x_test)

当我运行它时，它给了我：ValueError: Expected 2D array, got scalar array instead: on model.fit(poly,y) line。我已经为多边形添加了一个维度，发生了什么？

x[:,np.newaxis] 与 x[:,np.newaxis] 之间还有什么区别。 x[:,无]？

Answer 1

In [55]: x=10*np.random.rand(5)                                                 
In [56]: x                                                                      
Out[56]: array([6.47634068, 6.25520837, 7.58822106, 4.65466951, 2.35783624])
In [57]: x.shape                                                                
Out[57]: (5,)

newaxis 不加列，只加维度：

In [58]: x1 = x[:,np.newaxis]                                                   
In [59]: x1                                                                     
Out[59]: 
array([[6.47634068],
       [6.25520837],
       [7.58822106],
       [4.65466951],
       [2.35783624]])
In [60]: x1.shape                                                               
Out[60]: (5, 1)

np.newaxis 的值为None，因此两者的工作方式相同。

In[61]: x[:,None].shape                                                        
Out[61]: (5, 1)

一个对人类读者来说更清晰一些，另一个更容易打字。 https://www.numpy.org/devdocs/reference/constants.html

x 或 x1 是否有效取决于学习代码的期望。一些学习代码需要(samples, features) 形状的输入。它可以假设一个 (50,) 形状数组是 50 个样本，1 个特征，或 1 个案例，50 个特征。但最好能准确说出你的意思。

---

查看文档：

https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html#sklearn.preprocessing.PolynomialFeatures.fit_transform

poly.fit_transform
X : numpy array of shape [n_samples, n_features]

当然看起来fit_transform 需要二维输入。

https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression.fit

X 和 y 都应该是二维的。