使用mlxtend绘制训练与测试损失曲线遇ValueError问题求助

问题根源 #

你的代码有两个核心问题触发了报错：

1. 模型是基于多项式转换后的特征训练的，但plot_learning_curves直接传入原始的x_train/x_test，模型无法识别未转换的特征，引发维度不匹配相关的模糊真值错误。
2. scoring参数直接传入mean_squared_error函数，容易引发参数传递歧义，不如使用字符串标识符可靠。

修复后的完整代码 #

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import mean_squared_error
from mlxtend.plotting import plot_learning_curves
import matplotlib.pyplot as plt

# 划分训练测试集
x_train, x_test, y_train, y_test = train_test_split(X_normalized, y_for_normalized, test_size=0.20, random_state=0)

# 多项式特征转换：用训练集拟合，转换训练/测试集
poly = PolynomialFeatures(1)
X_train_transformed = poly.fit_transform(x_train)
X_test_transformed = poly.transform(x_test)

# 训练模型
lin_reg = LinearRegression()
lin_reg.fit(X_train_transformed, y_train)

# 绘制学习曲线：传入转换后的特征，使用字符串格式的scoring参数
plot_learning_curves(X_train_transformed, y_train, X_test_transformed, y_test, lin_reg, scoring='mean_squared_error')
plt.xlabel('Epoch')
plt.ylabel('Loss (MSE)')
plt.show()

关键修复细节 #

• 统一特征转换：必须用同一个PolynomialFeatures实例转换训练和测试集，保证特征维度与模型训练时一致，这是解决报错的核心。
• scoring参数优化：使用'mean_squared_error'字符串替代直接传入函数，避免函数调用时的参数歧义。
• 代码整洁性：将所有导入语句放在开头，提升代码可读性。

额外排查点 #

如果报错仍存在，检查：

• X_normalized和y_for_normalized是否为格式合法的数组/数据框，无缺失值或异常结构。
• 确保mlxtend版本为最新，执行pip install --upgrade mlxtend更新。

内容的提问来源于stack exchange，提问作者Z47