泰坦尼克数据集Logistic Regression测试集可视化报错求助

问题描述 #

使用泰坦尼克生存数据集训练逻辑回归模型后，运行可视化代码时触发ValueError: X has 2 features, but LogisticRegression is expecting 6 features as input.错误，无法生成目标样式的决策边界可视化。

错误原因 #

训练模型时使用了6个特征（Pclass、Age、SibSp、Parch、Fare、male），但可视化代码仅生成了两个特征的网格数据用于预测，特征数量与模型训练时的输入维度不匹配，导致模型拒绝预测。

解决方案 #

方案一：仅用两个特征重新训练模型 #

选择你想可视化的两个特征（比如Age和Fare），重新训练模型，让可视化时的特征维度与模型匹配。

修改后的完整代码：

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from matplotlib.colors import ListedColormap

# 数据加载与清洗
training_set = pd.read_csv('Train_Titanic.csv')
training_set.drop(['Cabin', 'Name', 'Ticket', 'Embarked', 'PassengerId'], axis=1, inplace=True)

# 填充缺失年龄
def Fill_Age(data):
    age = data[0]
    sex = data[1]
    if pd.isnull(age):
        return 29 if sex == 'male' else 25
    return age
training_set['Age'] = training_set[['Age','Sex']].apply(Fill_Age, axis=1)

# 性别编码
male = pd.get_dummies(training_set['Sex'], drop_first=True, dtype=int)
training_set.drop('Sex', axis=1, inplace=True)
training_set = pd.concat([training_set, male], axis=1)

# 仅选择两个特征用于训练与可视化（示例选Age和Fare）
X = training_set[['Age', 'Fare']].values
y = training_set['Survived'].values

# 拆分数据集并训练模型
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=10)
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train, y_train)

# 可视化决策边界
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(
    np.arange(start=X_set[:,0].min()-1, stop=X_set[:,0].max()+1, step=0.01),
    np.arange(start=X_set[:,1].min()-1, stop=X_set[:,1].max()+1, step=0.01)
)
plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha=0.75, cmap=ListedColormap(('magenta', 'blue')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())

# 绘制测试集样本
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set==j,0], X_set[y_set==j,1],
                c=ListedColormap(('magenta', 'blue'))(i), label='生存' if j==1 else '未生存')

plt.xlabel('年龄')
plt.ylabel('票价')
plt.legend()
plt.show()

方案二：为网格数据补充其他特征的默认值 #

保留原6特征模型，为可视化用的网格数据补充其余4个特征的默认值（如训练集的均值），使输入特征数量与模型要求一致。

修改后的核心代码：

# 数据处理部分保留原逻辑，仅修改可视化相关代码
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from matplotlib.colors import ListedColormap

# 数据加载与清洗（同原代码）
training_set = pd.read_csv('Train_Titanic.csv')
training_set.drop(['Cabin', 'Name', 'Ticket', 'Embarked', 'PassengerId'], axis=1, inplace=True)

def Fill_Age(data):
    age = data[0]
    sex = data[1]
    if pd.isnull(age):
        return 29 if sex == 'male' else 25
    return age
training_set['Age'] = training_set[['Age','Sex']].apply(Fill_Age, axis=1)

male = pd.get_dummies(training_set['Sex'], drop_first=True, dtype=int)
training_set.drop('Sex', axis=1, inplace=True)
training_set = pd.concat([training_set, male], axis=1)

# 保留DataFrame格式方便后续处理
X_df = training_set.drop('Survived', axis=1)
y = training_set['Survived'].values

X_train_df, X_test_df, y_train, y_test = train_test_split(X_df, y, test_size=0.2, random_state=10)
classifier = LogisticRegression(random_state=0)
classifier.fit(X_train_df, y_train)

# 选择要可视化的两个特征
feat1, feat2 = 'Age', 'Fare'
# 计算其他特征的均值作为默认值
default_vals = X_train_df.mean().to_dict()

# 生成网格数据
x_min, x_max = X_test_df[feat1].min()-1, X_test_df[feat1].max()+1
y_min, y_max = X_test_df[feat2].min()-1, X_test_df[feat2].max()+1
X1, X2 = np.meshgrid(np.arange(x_min, x_max, 0.01), np.arange(y_min, y_max, 0.01))

# 构建完整特征矩阵
grid_data = pd.DataFrame({
    feat1: X1.ravel(),
    feat2: X2.ravel()
})
for col in X_df.columns:
    if col not in [feat1, feat2]:
        grid_data[col] = default_vals[col]

# 预测并可视化
predictions = classifier.predict(grid_data.values).reshape(X1.shape)
plt.contourf(X1, X2, predictions, alpha=0.75, cmap=ListedColormap(('magenta', 'blue')))

# 绘制测试集样本
for i, j in enumerate(np.unique(y_test)):
    mask = y_test == j
    plt.scatter(
        X_test_df[feat1][mask], X_test_df[feat2][mask],
        c=ListedColormap(('magenta', 'blue'))(i), label='生存' if j==1 else '未生存'
    )

plt.xlabel(feat1)
plt.ylabel(feat2)
plt.legend()
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
plt.show()

方案对比 #

• 方案一：操作简单，可视化结果直观，但仅展示两个特征的决策边界，忽略了其他特征的影响。
• 方案二：更贴近原模型的实际预测逻辑，但默认值的选择（均值/中位数）会影响可视化的决策边界形态。

内容的提问来源于stack exchange，提问作者SH_IQ