我正在对我的数据进行预处理以使其工作:
model = LogisticRegression()
model.fit(X, Y)
我正在努力重塑我的生活numpy.ndarray公司. 你知道吗
在这一点上,我有:
Y
array([array([[52593.4410802]]), array([[52593.4410802]])], dtype=object)
Y.shape
(2,)
type(Y)
<class 'numpy.ndarray'>
对于X,我有:
X
array([array([[34.07824204],
[33.36032467],
[24.61158084],
...,
[34.62648953],
[34.49591937],
[34.40951467]]),
array([[ 4.50136316],
[ 7.46307729],
[17.07135805],
...,
[57.98715047],
[54.5733181 ],
[50.13691107]])], dtype=object)
X.shape
(2,)
type(X)
<class 'numpy.ndarray'>
我想得到我的X和转换,使每个数据成为一列/特征(转置的想法)。所以每一个值都会变成一个特征,就像这样:
X[0][0]
array([34.07824204])
X[0][1]
array([33.36032467])
# Sudo code idea:
# X_new = [0][0],[0][1],...
# X_new = append(X_new,[1][0],[1][1]...)
我尝试过:
nsamples, nx, ny = X.shape
d2_train_dataset = X.reshape((nsamples,nx*ny))
此外,我试图重塑和转置,但它不会给我所需要的:
X
array([array([[34.07824204],
[33.36032467],
[24.61158084],
...,
[34.62648953],
[34.49591937],
[34.40951467]]),
array([[ 4.50136316],
[ 7.46307729],
[17.07135805],
...,
[57.98715047],
[54.5733181 ],
[50.13691107]])], dtype=object)
X.T
array([array([[34.07824204],
[33.36032467],
[24.61158084],
...,
[34.62648953],
[34.49591937],
[34.40951467]]),
array([[ 4.50136316],
[ 7.46307729],
[17.07135805],
...,
[57.98715047],
[54.5733181 ],
[50.13691107]])], dtype=object)
正如其中一条评论中所建议的那样,我尝试过,但没有成功: (我把输出作为输入)
X.flatten()
array([array([[34.07824204],
[33.36032467],
[24.61158084],
...,
[34.62648953],
[34.49591937],
[34.40951467]]),
array([[ 4.50136316],
[ 7.46307729],
[17.07135805],
...,
[57.98715047],
[54.5733181 ],
[50.13691107]])], dtype=object)
从
Y
我可以理解,你的标签是连续的,而不是离散的。你的数据表明你需要一个回归模型,但你正试图适应一个二元分类器,逻辑回归。作为回归算法,可以使用linear regression、Support Vector Regression或任何其他回归模型。你知道吗在重塑之前,先去掉数组中的数组。 使用
numpy.stack
可以很容易地做到这一点。例如给出:
(2,1,1)
[[[52593.4410802]]
[[52593.4410802]]
从这里,你可以重塑到你需要的。你知道吗
相关问题 更多 >
编程相关推荐