自定义线性回归调用scikit-learn的mean_squared_error报形状错误如何解决

• 标签y的维度不匹配，引发广播错误：你生成的y是形状为(100, 1)的二维数组，而fit方法中计算出的y_predicted是(80,)的一维数组，两者做差时numpy触发广播机制得到(80, 80)的二维数组，后续梯度计算错误，导致最终weights变成80维的向量。预测时X_test(20,1)点乘80维weights，自然得到形状为(20, 80)的错误输出。
• 梯度更新公式写反：梯度下降的更新逻辑是参数 = 参数 - 学习率 * 梯度，你的代码把顺序写反了，即便维度问题修复后也无法正常收敛。
• 噪声参数异常：你设置的高斯噪声标准差为0，相当于没有添加噪声，属于可优化的小问题。

1. 修正y的维度，将y转为一维数组，避免广播错误
2. 修正梯度更新公式，符合梯度下降的逻辑

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

class LinearRegression:
    def __init__(self, learning_rate=0.001, n_iters=1000):
        self.lr = learning_rate
        self.n_iters = n_iters
        self.weights = None
        self.bias = None

    def fit(self, X, y):
        n_samples, n_features = X.shape
        # 初始化参数
        self.weights = np.zeros(n_features)
        self.bias = 0
        # 确保y是一维数组，避免广播错误
        y = y.flatten()

        for _ in range(self.n_iters):
            y_predicted = np.dot(X, self.weights) + self.bias
            # 计算梯度
            dw = (1 / n_samples) * np.dot(X.T, (y_predicted - y))
            db = (1 / n_samples) * np.sum(y_predicted - y)
            # 修正更新公式
            self.weights -= self.lr * dw
            self.bias -= self.lr * db

    def predict(self, X):
        return np.dot(X, self.weights) + self.bias

# 生成测试数据
X = np.random.uniform(0, 1, 100)
X = X.reshape(-1, 1)
print(X.shape) # 输出(100, 1)

y = [(-19 * i - 9) for i in X]
y = np.array(y).flatten() # 修正y为一维数组

# 修正噪声标准差为非0值，可选
noise = np.random.normal(1, 0.1, size=y.shape)
y = y + noise

# 数据集拆分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1234)
print(X_test.shape) # 输出(20, 1)

# 训练预测
regression = LinearRegression(learning_rate=0.01, n_iters=1000)
regression.fit(X_train, y_train)
y_pred = regression.predict(X_test)
print(y_pred.shape) # 输出(20,)，和y_test的(20,)匹配

# 计算MSE
print(mean_squared_error(y_test, y_pred))

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