如何在Sklearn中用.reshape()配合PolynomialFeatures适配多变量多项式回归输入

你遇到的错误本质是训练和预测时用的特征维度不匹配：

• 训练模型时，你用了经PolynomialFeatures转换后的14维特征（Dum_poly）
• 但预测时直接传入了原始的4维数据（Dum_data），模型自然会报错

为什么是14维？ #

原始数据有4个特征，生成2次多项式特征（include_bias=False）时，特征包含：

• 4个原始一次特征
• 6个两两交互项（比如x1x2、x1x3等，组合数C(4,2)=6）
• 4个各特征的二次项（x1²、x2²等）
  加起来4+6+4=14，这就是模型期望的特征数。

修正代码 #

预测时必须用训练时的同一个poly_fit对象对输入数据做相同的多项式转换，而不是直接传原始数据：

# 导入依赖库
import pandas as pd
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 创建数据
Dum_data = pd.DataFrame([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
Dum_data_y = pd.DataFrame([[13],[14],[15]])

# 生成2次多项式特征
poly_fit = PolynomialFeatures(degree = 2, include_bias = False)
Dum_poly = poly_fit.fit_transform(Dum_data)

# 训练线性模型
modl = LinearRegression()
modl.fit(Dum_poly, Dum_data_y)

# 预测：先对输入数据做相同的多项式转换
Dum_data_poly_pred = poly_fit.transform(Dum_data)
Dum_y_pred = modl.predict(Dum_data_poly_pred)
print(Dum_y_pred)

额外说明 #

你看到的reshape()解决的是单特征（比如1维数据）的维度适配问题，而你的情况是特征转换未同步，和reshape无关。只要保证训练和预测的输入都经过相同的多项式特征转换，不管是DataFrame还是numpy数组都可以正常使用。

内容的提问来源于stack exchange，提问作者DeCodened