ValueError：MatMul：输入操作数1在其核心维度0中具有不匹配，带有Gufunc签名（n？，k），（k，m？） - ＆gt;（n？，m？）（尺寸1不同于2）

Question

第一次试图适应Python。我有一组测量值，需要对提供的数据进行非线性拟合。拟合应为二次多项式。这是代码和错误：

from numpy import *
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

x = array([[0.121644, 0.243288, 0.486576, 0.60822, 0.729864, 0.851508]]).reshape(-1,1)
y = array([[0.95, 1.02, 1.21, 1.35, 1.47, 1.61]]).reshape(-1,1)

poly = PolynomialFeatures(degree= 2, include_bias=False)
x_poly = poly.fit_transform(x)

reg = LinearRegression()
reg.fit(x,y)

x_val= linspace(0.121644, 0.851508, 100).reshape(-1,1)
x_vp= poly.transform(x_val)


y_val = reg.predict(x_vp)

plt.scatter(x,y)
plt.plot(x_val, y_val)

ValueError                                Traceback (most recent call last)
<ipython-input-49-38d844be643a> in <module>
      9 
     10 
---> 11 y_val = reg.predict(x_vp)
     12 
     13 plt.scatter(x,y)

~\anaconda3\lib\site-packages\sklearn\linear_model\_base.py in predict(self, X)
    223             Returns predicted values.
    224         """
--> 225         return self._decision_function(X)
    226 
    227     _preprocess_data = staticmethod(_preprocess_data)

~\anaconda3\lib\site-packages\sklearn\linear_model\_base.py in _decision_function(self, X)
    207         X = check_array(X, accept_sparse=['csr', 'csc', 'coo'])
    208         return safe_sparse_dot(X, self.coef_.T,
--> 209                                dense_output=True) + self.intercept_
    210 
    211     def predict(self, X):

~\anaconda3\lib\site-packages\sklearn\utils\extmath.py in safe_sparse_dot(a, b, dense_output)
    149             ret = np.dot(a, b)
    150     else:
--> 151         ret = a @ b
    152 
    153     if (sparse.issparse(a) and sparse.issparse(b)

ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with gufunc signature (n?,k),(k,m?)->(n?,m?) (size 1 is different from 2)

我知道问题在于x和x_val的维度，但我不知道如何修复它。

Answer 1

我会发表评论，但可以。

poly = PolynomialFeatures(degree= 2, include_bias=False)
x_poly = poly.fit_transform(x)

reg = LinearRegression()
reg.fit(x,y)

您可以使设计矩阵x_poly，但将模态放在x上。然后，您尝试预测转换的设计矩阵的新数据，因此形状将有所不同。

如果我没错，那应该是

...
reg.fit(x_poly,y)
...