Przekazano wektor-kolumnę y, gdy oczekiwano tablicy 1d

Muszę zmieścić RandomForestRegressorod sklearn.ensemble.

forest = ensemble.RandomForestRegressor(**RF_tuned_parameters)
model = forest.fit(train_fold, train_y)
yhat = model.predict(test_fold)

Ten kod zawsze działał, dopóki nie wykonałem wstępnego przetwarzania danych ( train_y). Komunikat o błędzie mówi:

DataConversionWarning: przekazano wektor-kolumnę y, gdy oczekiwano tablicy 1d. Zmień kształt y na (n_samples,), na przykład za pomocą ravel ().

model = forest.fit (train_fold, train_y)

Wcześniej train_ybyła to seria, teraz jest to tablica numpy (jest to wektor kolumnowy). Jeśli zastosuję train_y.ravel(), staje się wektorem wierszowym i nie pojawia się żaden komunikat o błędzie, a krok przewidywania zajmuje bardzo dużo czasu (w rzeczywistości nigdy się nie kończy ...).

W dokumentach RandomForestRegressorznalazłem, że train_ypowinno to być zdefiniowane jako y : array-like, shape = [n_samples] or [n_samples, n_outputs] Każdy pomysł, jak rozwiązać ten problem?

Zmień tę linię:

model = forest.fit(train_fold, train_y)

do:

model = forest.fit(train_fold, train_y.values.ravel())

Edytować:

.valuespoda wartości w tablicy. (kształt: (n, 1)

.ravel przekonwertuje ten kształt tablicy na (n,)

Z taką sytuacją spotkałem się również, gdy próbowałem wytrenować klasyfikator KNN . ale wydaje się, że ostrzeżenie zniknęło po zmianie:
knn.fit(X_train,y_train)
na
knn.fit(X_train, np.ravel(y_train,order='C'))

Przed tą linią użyłem import numpy as np.

Miałem ten sam problem. Problem polegał na tym, że etykiety były w formacie kolumny, podczas gdy oczekiwał tego w wierszu. posługiwać sięnp.ravel()

knn.score(training_set, np.ravel(training_labels))

Mam nadzieję, że to rozwiązuje problem.

użyj poniższego kodu:

model = forest.fit(train_fold, train_y.ravel())

jeśli nadal otrzymujesz policzek przez pomyłkę tak samo jak poniżej?

Unknown label type: %r" % y

użyj tego kodu:

y = train_y.ravel()
train_y = np.array(y).astype(int)
model = forest.fit(train_fold, train_y)

Innym sposobem na to jest użycie ravel

model = forest.fit(train_fold, train_y.values.reshape(-1,))

Dzięki Neuraxle możesz łatwo rozwiązać ten problem:

p = Pipeline([
   # expected outputs shape: (n, 1)
   OutputTransformerWrapper(NumpyRavel()), 
   # expected outputs shape: (n, )
   RandomForestRegressor(**RF_tuned_parameters)
])

p, outputs = p.fit_transform(data_inputs, expected_outputs)

Neuraxle to podobny do sklearn framework do strojenia hiperparametrów i AutoML w projektach uczenia głębokiego!

format_train_y=[]
for n in train_y:
    format_train_y.append(n[0])

Y = y.wartości [:, 0]

Y - formated_train_y

y - train_y