如何使用sklearn KNN进行预测？出现维度匹配报错如何解决？

• 第一次报错的核心原因：sklearn所有模型的predict()方法要求输入的特征矩阵必须是二维结构，格式为(样本数量, 特征数量)。你直接取X_test[0]得到的是一维数组，形状为(64,)（digits数据集每个样本有64个像素特征），不符合输入要求，所以触发第一个维度提示报错。
• 第二次报错的核心原因：你按照提示选了错误的reshape方式，reshape(-1,1)会把数组转为(64, 1)的结构，相当于传入了64个单特征的样本，和训练时每个样本64个特征的维度完全不匹配，所以触发维度不一致报错。

你需要按照报错提示里的单样本场景处理逻辑，将单条测试样本转为(1, 特征数)的二维结构，有两种常用写法：

方法1：使用reshape(1, -1)调整维度 #

将预测代码修改为：

print(model.predict(X_test[0].reshape(1, -1)))

这里reshape(1,-1)会自动计算特征维度，最终得到形状为(1,64)的数组，和训练集维度完全匹配。

方法2：使用切片直接获取二维数组 #

取测试集样本时用切片操作，得到的结果天然是二维结构，无需额外reshape：

print(model.predict(X_test[0:1]))

import numpy as np
import sklearn.datasets
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier

data = sklearn.datasets.load_digits()
X_train, X_test, y_train, y_test = train_test_split(data['data'], data['target'])
model = KNeighborsClassifier().fit(X_train, y_train)
# 两种写法二选一即可
print(model.predict(X_test[0].reshape(1, -1)))
# print(model.predict(X_test[0:1]))

内容的提问来源于stack exchange，提问作者Lucas Bezerra