错误：找到带有暗淡 3 的数组。估计器预期 <= 2

Question

我有一个 14x5 的数据矩阵，名为 data。第一列 (Y) 是因变量，后跟 4 个自变量 (X,S1,S2,S3)。当尝试将回归模型拟合到自变量 ['S2'][:T] 的子集时，我收到以下错误：

ValueError: Found array with dim 3. Estimator expected <= 2.

我很感激任何有关修复的见解。代码如下。

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression


data = pd.read_csv('C:/path/Macro.csv')
T=len(data['X'])-1

#Fit variables
X = data['X'][:T]
S1 = data['S1'][:T]
S2 = data['S2'][:T]
S3 = data['S3'][:T]
Y = data['Y'][:T]

regressor = LinearRegression()
regressor.fit([[X,S1,S2,S3]], Y)

Answer 1

您将一个 3 维数组作为第一个参数传递给fit()。X、S1、S2、S3都是Series对象（一维），所以下面

[[X, S1, S2, S3]]

是 3 维的。sklearn估计器需要一组特征向量（二维）。

尝试这样的事情：

# pandas indexing syntax
# data.ix[ row index/slice, column index/slice ]

X = data.ix[:T, 'X':]  # rows up to T, columns from X onward
y = data.ix[:T, 'Y']   # rows up to T, Y column
regressor = LinearRegression()
regressor.fit(X, y)