Adaline单层神经网络Python实现广播不匹配错误排查求助

第一个错误：ValueError: operands could not be broadcast together with shapes (34,) (34,3711) (34,) #

原因分析 #

这个广播错误核心是矩阵/向量维度不匹配，结合你的数据情况，大概率是以下几点：

• 自定义AdalineGD类的权重初始化错误：你的ColumnTransformer应该把特征数从25转换成了34，但权重初始化未对应这个特征数，或者遗漏了偏置项。
• y_train维度问题：你的y_train是二维数组(3711,1)，而模型输出的预测值是一维数组(3711,)，两者计算误差时触发广播，导致后续梯度计算的矩阵维度混乱。
• 梯度更新逻辑错误：计算特征梯度时，矩阵乘法的顺序或维度处理不当，导致得到的梯度向量和权重向量维度无法匹配。

解决方法 #

1. 修正权重初始化
   在AdalineGD的fit方法中，确保权重包含偏置项，维度匹配转换后的特征数：

   def fit(self, X, y):
       n_features = X.shape[1]
       # 初始化权重：n_features个特征权重 + 1个偏置
       self.w_ = np.zeros(n_features + 1)
       self.cost_ = []
       # 后续训练逻辑...
   

2. 将y_train转为一维数组
   把二维的y_train压缩成一维，避免广播错误：

   y_train = y_train.ravel()  # 或 y_train = y_train.squeeze()
   

3. 修正梯度计算逻辑
   确保误差是一维数组，梯度计算维度匹配，标准Adaline的梯度更新示例：

   def fit(self, X, y):
       n_features = X.shape[1]
       self.w_ = np.zeros(n_features + 1)
       self.cost_ = []
   
       for _ in range(self.n_iter):
           net_input = np.dot(X, self.w_[1:]) + self.w_[0]
           y_pred = net_input  # Adaline激活函数为恒等函数
           error = y - y_pred
           # 计算特征权重梯度：X转置点乘误差，维度匹配特征数
           grad = X.T @ error
           # 更新特征权重与偏置
           self.w_[1:] += self.eta * grad
           self.w_[0] += self.eta * error.sum()
           # 记录损失
           cost = (error**2).sum() / 2.0
           self.cost_.append(cost)
       return self
   

第二个错误：ValueError: Specifying the columns using strings is only supported for pandas DataFrames #

原因分析 #

你把X_train转成了numpy数组，但Pipeline里的ColumnTransformer是用列名字符串指定转换列，而numpy数组没有列名属性，无法识别字符串列名。

解决方法 #

1. 优先保持X_train为pandas DataFrame
   不要将X_train转为numpy数组，直接用原始DataFrame输入Pipeline，这样ColumnTransformer可正常通过列名字符串选择列。

2. 若必须用numpy数组，改用整数索引指定列
   把ColumnTransformer中的列名换成对应列的整数索引，示例：

   from sklearn.compose import ColumnTransformer
   from sklearn.preprocessing import StandardScaler
   
   # 原写法（用列名）：ct = ColumnTransformer([('scaler', StandardScaler(), ['col1', 'col2'])])
   # 改为整数索引（假设col1是第0列，col2是第1列）：
   ct = ColumnTransformer([('scaler', StandardScaler(), [0, 1])])
   

内容的提问来源于stack exchange，提问作者Diego