关于scikit-learn线性回归拟合时维度不匹配报错的原因与解决方法咨询

我来帮你把这个问题讲明白，先搞懂报错的根源，再看具体的修复方案～

为什么scikit-learn期望X是2D数组？ #

其实这是scikit-learn API的统一设计原则导致的：它的所有监督学习模型都假设输入的特征矩阵X是**(样本数量, 特征数量)**的2D格式。

举个例子：如果你要预测房价，可能会用面积、房龄、房间数这3个特征，那X的形状应该是(n个房子, 3个特征)的2D数组。哪怕你只有1个特征（比如只用面积预测房价），模型也希望你保持这个统一的格式——也就是(n个样本, 1个特征)的2D数组，这样接口逻辑不用为单特征、多特征做区分，能避免很多潜在的混乱。

你的原始X是np.array([1,2,3,4,5])，它的形状是(5,)的1D数组，模型会误判这是“1个样本，5个特征”，和你的真实需求（5个样本，1个特征）完全不匹配，所以就抛出了维度错误。

正确的修复方法 #

有三种简单的方式可以解决这个问题，选你习惯的就行：

方法1：创建数组时直接定义为2D格式 #

在初始化X的时候，就把每个样本放在单独的列表里，这样numpy会自动生成(5,1)的2D数组：

X = np.array([[1], [2], [3], [4], [5]])

方法2：用reshape(-1, 1)修改形状 #

reshape(-1,1)里的-1是让numpy自动计算这个维度的长度（这里就是5），1代表我们要1列。代码如下：

X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)

方法3：用np.expand_dims扩展维度 #

这个方法和reshape效果一样，通过指定axis=1来在列的方向上增加一个维度：

X = np.expand_dims(np.array([1, 2, 3, 4, 5]), axis=1)

修复后的完整代码示例 #

import numpy as np
from sklearn.linear_model import LinearRegression

# 任选一种方法处理X的形状
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(X, y) # 现在可以正常拟合啦

# 验证一下X的形状，应该输出(5, 1)
print(X.shape)

内容来源于stack exchange