Ridge回归预测模型报错求助：Expected 2D array及Y变量指定问题

问题1：数组重塑ValueError的原因及解决 #

你遇到的错误核心是给模型传的不是符合要求的训练/预测数据：

• 当前代码里steps.fit(user_ohe, user_num)传的是字符串列表（比如["user_genre", ...]），这不是模型需要的特征数据，模型需要的是真实的样本特征值，且必须是二维结构（比如形状为(n_samples, n_features)）。
• 另外，用户输入的预算、时长是字符串类型，需要先转换成数值类型。

不需要单独调用reshape(-1,1)，只要把输入整理成二维结构化数据（比如Pandas DataFrame）就能解决这个问题。

问题2：Y变量（总票房）的指定方式 #

代码不会自动生成Y变量，你必须具备带标签的训练数据集：

• 训练模型时，需要明确传入X（所有电影特征，如类型、预算、导演等）和Y（对应的真实总票房），模型才能学习特征与票房之间的关联。
• 用户输入的是待预测的新样本，不是训练数据，只有模型训练完成后，才能用它预测新样本的票房。

修正后的完整代码示例 #

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.linear_model import Ridge

# --------------------------
# 第一步：准备训练数据集（示例数据，实际需替换为真实电影数据）
# 必须包含特征列和总票房标签列
train_data = pd.DataFrame({
    "genre": ["Action", "Comedy", "Drama"],
    "budget": [100000000, 50000000, 20000000],
    "runtime": [120, 90, 110],
    "studio": ["Warner Bros", "Disney", "Fox"],
    "director": ["Nolan", "Feig", "Eastwood"],
    "writer": ["Smith", "Jones", "Brown"],
    "gross_revenue": [500000000, 200000000, 150000000]
})

# 定义特征列：类别特征和数值特征
cat_features = ["genre", "studio", "director", "writer"]
num_features = ["budget", "runtime"]
# 定义标签列（总票房）
y_train = train_data["gross_revenue"]

# --------------------------
# 第二步：构建预处理管道和模型
# 预处理：类别特征独热编码，数值特征直接保留
preprocessor = ColumnTransformer(
    transformers=[
        ("cat", OneHotEncoder(handle_unknown="ignore"), cat_features),
        ("num", "passthrough", num_features)
    ])

# 完整管道：预处理 + 回归模型（票房是连续值，用回归任务）
model_pipeline = Pipeline(steps=[
    ('preprocessor', preprocessor),
    ('regressor', Ridge())
])

# 训练模型：传入训练特征和标签
model_pipeline.fit(train_data[cat_features + num_features], y_train)

# --------------------------
# 第三步：处理用户输入并预测票房
while True:
    user_movie = input("Enter the name of your movie: ")
    user_genre = input("What is the genre of your movie? ")
    user_budget = float(input("What is your movie's budget? "))  # 转数值类型
    user_runtime = float(input("What is your movie's runtime? "))  # 转数值类型
    user_studio = input("Who is your studio partner? ")
    user_director = input("Who is the director of your movie? ")
    user_writer = input("Who is your movie's writer? ")

    # 将用户输入整理成二维DataFrame（模型要求二维输入）
    user_input = pd.DataFrame({
        "genre": [user_genre],
        "budget": [user_budget],
        "runtime": [user_runtime],
        "studio": [user_studio],
        "director": [user_director],
        "writer": [user_writer]
    })

    # 预测票房
    predicted_gross = model_pipeline.predict(user_input)
    print(f"Predicted Gross Revenue for {user_movie}: ${predicted_gross[0]:,.2f}")

    continue_pred = input("Predict another movie? (y/n): ")
    if continue_pred.lower() != 'y':
        break

关键说明 #

• 训练数据：实际使用时，需要替换成包含大量真实电影数据的数据集，数据量越大，模型预测效果越好。
• 数值转换：用户输入的预算、时长必须转为数值类型，否则模型无法处理。
• 管道作用：预处理管道会自动处理类别特征的独热编码，无需手动对用户输入做额外的reshape操作。

内容的提问来源于stack exchange，提问作者chiggywiggy