使用预训练线性回归模型进行预测时遭遇维度不匹配错误的求助

嗨，别担心，这个维度不匹配的问题是机器学习新手入门时特别常见的小坑，我来帮你快速解决～

首先，我们先搞清楚报错的原因：scikit-learn（我猜你用的是这个库的线性回归模型）的所有预测方法，都要求输入的特征数据是二维数组，格式为(样本数量, 特征数量)。你现在传入的是一个一维列表，模型会默认把它理解成「10个样本，每个样本1个特征」，但你的预训练模型是基于「每个样本10个特征」训练的，维度完全对不上，所以才会弹出那个reshape的提示。

再看你的代码，还有个小细节要注意：你说已经加载了预训练模型，那代码里的linear.fit(x, y)其实是多余的——这行代码会重新训练模型，直接覆盖你加载的预训练权重，记得要删掉哦！

接下来给你两种简单的修正方案：

方案一：用numpy的reshape转换维度 #

先把你的一维特征列表转成numpy数组，再用reshape(1, -1)来指定「1个样本，特征数量自动计算」（这里就是10个特征）：

import numpy as np

# 注意：你写的特征列表里只有9个元素，记得补成模型需要的10个哦
x = [2.0, 2.4, 1.5, 3.5, 3.5, 3.5, 3.5, 3.7, 3.7, 4.0]
# 转换为二维数组
x_2d = np.array(x).reshape(1, -1)
# 用预训练模型预测
predict_x = linear.predict(x_2d)
print(f'Predict = {predict_x}')

方案二：直接用列表嵌套的方式构造二维输入 #

如果你不想用numpy，也可以直接把一维列表放进另一个列表里，手动构造二维结构：

# 同样要确保是10个特征
x = [[2.0, 2.4, 1.5, 3.5, 3.5, 3.5, 3.5, 3.7, 3.7, 4.0]]
# 直接预测
predict_x = linear.predict(x)
print(f'Predict = {predict_x}')

如果之后你需要预测多个样本，只需要把每个样本的特征列表作为子元素放进大列表里就行，比如3个样本的情况：

x_multiple = [
    [2.0, 2.4, ...],  # 第一个样本的10个特征
    [1.8, 2.1, ...],  # 第二个样本
    [3.0, 3.2, ...]   # 第三个样本
]
predictions = linear.predict(x_multiple)

这样就能得到对应数量的预测结果啦～

备注：内容来源于stack exchange，提问作者Mohammad Hosein Mohaghegh