如何在3D散点图中拟合PolynomialFeatures并解决维度不匹配错误

问题根源 #

模型predict()方法要求输入为二维特征矩阵（形状(样本数, 特征数)），但多数情况是直接传入一维的x_fit、y_fit，或未将二者组合成符合要求的结构，导致维度不兼容报错。

分步修复方案 #

假设x_fit、y_fit是一维数组（比如用np.linspace生成），按以下步骤处理：

1. 构建合规特征矩阵
   将x_fit和y_fit拼接成二维数组，确保形状为(len(x_fit), 2)：

   import numpy as np
   X_fit = np.column_stack((x_fit, y_fit))
   

2. 计算拟合z值
   用组合后的X_fit调用predict()：

   z_fit = model.predict(X_fit)
   

3. 绘制3D拟合曲线
   此时z_fit维度与x_fit、y_fit一致，可直接绘制：

   from mpl_toolkits.mplot3d import Axes3D
   import matplotlib.pyplot as plt
   
   fig = plt.figure()
   ax = fig.add_subplot(111, projection='3d')
   # 原始散点
   ax.scatter(x_data, y_data, z_data, label='原始数据')
   # 拟合曲线
   ax.plot3D(x_fit, y_fit, z_fit, color='#ff3333', label='拟合曲线')
   ax.legend()
   plt.show()
   

网格数据特殊处理 #

如果x_fit、y_fit是np.meshgrid生成的二维网格，需先展平再处理：

# 生成网格数据
x_fit_mesh, y_fit_mesh = np.meshgrid(np.linspace(x.min(), x.max(), 100), 
                                     np.linspace(y.min(), y.max(), 100))
# 展平为一维
x_flat = x_fit_mesh.flatten()
y_flat = y_fit_mesh.flatten()
# 构建特征矩阵
X_fit = np.column_stack((x_flat, y_flat))
# 预测后重塑回网格形状
z_fit_flat = model.predict(X_fit)
z_fit_mesh = z_fit_flat.reshape(x_fit_mesh.shape)
# 绘制拟合曲面
ax.plot_surface(x_fit_mesh, y_fit_mesh, z_fit_mesh, alpha=0.5, color='#ff3333')

关键检查点 #

• 确认模型训练时的输入形状：训练用的是(样本数, 2)的特征矩阵，预测时必须保持相同结构，禁止传入一维数组。

内容的提问来源于stack exchange，提问作者MCly