波士顿房价预测项目Cost Function报错：Data must be 1-dimensional

嘿，看起来你在手动实现线性回归模型时踩了维度不匹配的坑！这个错误的核心是你的预测输出Z_train和真实标签Y_train维度完全不兼容，导致运算后生成了二维数据，而pandas在处理时要求数据必须是一维的。咱们一步步拆解问题并修复：

错误根源分析 #

1. 权重矩阵维度完全搞反了：你初始化的self.w = 2 * np.random.rand(2,455) -1不符合线性回归的维度逻辑——假设你的X_train是455个样本、2个特征（维度(455,2)），那权重w应该是(2,1)（特征数×1），这样和X_train做矩阵乘法后才能得到(455,1)的预测值，和Y_train的维度匹配。现在的w会让你得到(455,455)的二维预测结果，和一维的Y_train相减后必然出问题。
2. 反向传播的梯度计算顺序错误：dw = np.dot(dz, X.T)的矩阵乘法顺序不对，会导致维度不匹配，而且损失函数的梯度符号也写反了。
3. 数据类型/维度未统一：如果Y_train是pandas Series，而Z_train是numpy二维数组，两者运算后pandas无法处理二维结构，直接抛出"Data must be 1-dimensional"错误。

修正后的完整代码 #

import numpy as np
# 注意：提前确保X_train是numpy数组；如果Y_train是pandas Series，先转成numpy数组：Y_train = Y_train.values.reshape(-1,1)

class Predictor():
    def __init__(self, feature_num):
        np.random.seed(1)
        # 正确初始化权重：(特征数, 1)
        self.w = 2 * np.random.rand(feature_num, 1) - 1
        # 偏置保持(1,1)维度
        self.b = 2 * np.random.rand(1, 1) - 1

    def forward_pass(self, X):
        # X维度：(样本数, 特征数)，dot后得到(样本数,1)的预测值
        Y_pred = np.dot(X, self.w) + self.b
        return Y_pred

    def cost_function(self, Z_train, Y_train):
        m = Z_train.shape[0]
        # 现在Z_train和Y_train都是(455,1)的numpy数组，运算不会有维度问题
        J = (1/m) * np.sum(np.square(Z_train - Y_train))
        print(f"当前损失值：{J:.4f}")
        return J

    def back_prop(self, X, Y_train, Z_train):
        m = X.shape[0]
        # 修正梯度符号：应该是预测值减真实值
        dz = (2/m) * (Z_train - Y_train)
        # 修正矩阵乘法顺序：X.T在前，得到(特征数,1)的dw，和w维度匹配
        dw = np.dot(X.T, dz)
        # 偏置梯度取平均，保持(1,1)维度
        db = np.sum(dz) / m
        return dw, db

    def gradient_descent(self, dw, db, learning_rate=0.01):
        # 更新权重和偏置，学习率改成可配置参数（原来的0.5太大容易爆炸）
        self.w = self.w - learning_rate * dw
        self.b = self.b - learning_rate * db
        return self.w, self.b

    def linear_regression_model(self, X_train, Y_train, epochs, learning_rate=0.01):
        # 统一Y_train维度：如果是一维数组，转成(样本数,1)
        if len(Y_train.shape) == 1:
            Y_train = Y_train.reshape(-1,1)
        costs_train = []
        for i in range(epochs):
            Z_train = self.forward_pass(X_train)
            cost_train = self.cost_function(Z_train, Y_train)
            dw, db = self.back_prop(X_train, Y_train, Z_train)
            self.w, self.b = self.gradient_descent(dw, db, learning_rate)
            if i % 10 == 0:
                costs_train.append(cost_train)
                print(f"迭代次数：{i}，训练损失：{cost_train:.4f}")
        return costs_train

if __name__ == "__main__":
    # 替换成你实际的训练数据，这里用随机数做示例
    X_train = np.random.rand(455, 2)
    Y_train = np.random.rand(455, 1)

    predictor = Predictor(feature_num=2)
    print("初始随机权重 W: ")
    print(predictor.w)
    print("初始随机偏置 B: ")
    print(predictor.b)
    
    # 建议从0.01开始尝试学习率，避免梯度爆炸
    costs = predictor.linear_regression_model(X_train, Y_train, epochs=10000, learning_rate=0.01)
    
    print("训练后的权重 W: ")
    print(predictor.w)
    print("训练后的偏置 B: ")
    print(predictor.b)

关键修正点总结 #

• 把权重w的维度改成(特征数, 1)，确保矩阵乘法后得到正确的一维预测结果（相对于样本维度）。
• 在模型入口统一Y_train的维度，避免pandas和numpy混合运算的兼容性问题。
• 修正反向传播的梯度符号和矩阵乘法顺序，保证梯度更新的维度正确。
• 降低学习率并改成可配置参数，防止过大的学习率导致模型无法收敛。

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