ValueError：输入数组为3维，估计器仅支持≤2维问题求解

问题原因 #

你的X_train是3维数组（从输出看，形状应为(n_samples, 2, n_features)），但绝大多数传统机器学习估计器（如Scikit-learn的分类器、回归器）仅接受2维输入——要求输入特征的形状为(n_samples, n_total_features)，即每个样本对应一个一维特征向量。

解决方案 #

根据你的数据结构，分两种场景处理：

场景1：直接展平3维数组到2维

如果你的3维结构只是多个子特征集合的堆叠，没有特殊的空间/时序依赖，可以直接将每个样本展平为一维向量：

import numpy as np

# 获取样本数量
n_samples = X_train.shape[0]
# 自动计算展平后的特征数，将3维转为2维
X_train_2d = X_train.reshape(n_samples, -1)
# 测试集需要做同样的处理
X_test_2d = X_test.reshape(X_test.shape[0], -1)

处理后，X_train_2d的形状会变为(n_samples, 2 * n_features)，符合估计器的输入要求。

场景2：针对有特殊结构的数据（时序/图像）

如果你的3维数据是时序序列、图像等有结构的类型：

• 时序数据：提取每个样本的统计特征（均值、最大值、最小值、方差、分位数等），将每个时序样本转换为统计特征组成的一维向量
• 图像数据：使用HOG、SIFT等手动特征提取方法，或用预训练CNN提取高层特征，再将特征输入传统模型
• 直接换用支持3维输入的模型：比如用于时序的LSTM、用于图像的CNN等深度学习模型

验证 #

处理完成后，执行print(X_train_2d.shape)确认形状为(n_samples, n_features)，与y_train的(n_samples,)结构匹配即可。

内容的提问来源于stack exchange，提问作者Jawairia