Scikit-learn线性回归报错：期望二维数组，却得到一维数组

这个报错的核心原因很明确：scikit-learn的所有监督学习模型，都要求输入特征必须是2D数组格式——哪怕你只预测单个样本。你在model.predict([12])里传入的[12]是1D数组，不符合模型的输入规范，所以触发了这个ValueError。

两种快速解决方法 #

方法1：直接用嵌套列表模拟2D数组

最简单的修改方式，就是把单个输入值放进嵌套列表里，让它变成「1个样本，1个特征」的2D结构：

from sklearn.linear_model import LinearRegression
# Training data
X = [[6], [8], [10], [14],[18]]
y = [[7], [9], [13], [17.5], [18]]
# Create and fit the model
model = LinearRegression()
model.fit(X, y)
# 把[12]改成[[12]]，符合2D输入要求
print 'A 12" pizza should cost: $%.2f' % model.predict([[12]])[0]

方法2：用reshape重塑数组（适合numpy场景）

如果你的数据是numpy数组格式，或者需要处理批量样本的情况，可以用reshape(-1,1)来自动调整维度：

import numpy as np
from sklearn.linear_model import LinearRegression
# Training data
X = [[6], [8], [10], [14],[18]]
y = [[7], [9], [13], [17.5], [18]]
# Create and fit the model
model = LinearRegression()
model.fit(X, y)
# 将1D数组重塑为2D（-1表示自动计算该维度的长度）
input_val = np.array([12]).reshape(-1, 1)
print 'A 12" pizza should cost: $%.2f' % model.predict(input_val)[0]

为什么会有这个要求？ #

scikit-learn的API设计是统一的：所有模型的fit、predict方法，都期望特征输入是**(样本数量, 特征数量)**的2D数组。你的训练数据X是[[6], [8], ...]，已经符合这个格式（5个样本，每个样本1个特征），所以fit过程没问题；但预测时传入的[12]是1D结构（形状为(1,)），模型无法识别这是「1个样本+1个特征」，因此报错提示你调整维度。

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