繪制線性回歸時如何確定正確的形狀？
[英]How to determine the correct shape when plotting linear regression?
問題描述
我試圖可視化我的線性回歸模型，但不幸的是，我不太清楚如何管理數據以正確繪制回歸結果。 以下是我執行線性回歸模型所采取的步驟，數據的外觀以及所得到的錯誤。
X=sale[['Dec-2018','Nov-2018', 'Oct-2018','Sep-2018','Aug-2018','Jul-2018']]
y=sale[['CLV']]
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state=0)
from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)
y_pred = linreg.predict(X_test)
print (X)
print (y)
X.iloc[:,:] = labelencoder_X.fit_transform(X.iloc[:,:])
y.iloc[:,:1] = labelencoder_y.fit_transform(y.iloc[:,:1])
plt.scatter(X_test, y_test, color='black')
plt.plot(X_train, y_pred, color = 'green', linewidth=3)
plt.title('CLTV (Training set)')
plt.xlabel('Time')
plt.ylabel('CLV')
plt.show()
以下是數據狀態和出現的錯誤：
month_year Dec-2018 Nov-2018 Oct-2018 Sep-2018 Aug-2018 Jul-2018
0 0.00 0.00 0.00 0.00 0.00 0.00
1 0.00 0.00 0.00 0.00 0.00 0.00
2 0.00 286.40 0.00 825.92 0.00 902.09
3 0.00 0.00 0.00 521.50 0.00 0.00
4 0.00 6354.88 16471.77 2941.72 21706.44 2796.36
5 0.00 0.00 0.00 147.70 0.00 0.00
6 0.00 0.00 0.00 0.00 0.00 0.00
7 0.00 601.44 678.76 0.00 608.76 1064.08
8 0.00 0.00 0.00 519.89 0.00 0.00
9 438.50 312.73 675.38 0.00 301.70 0.00
10 998.61 9053.83 2149.30 5999.50 654.37 1070.59
11 763.06 572.59 0.00 0.00 1724.95 0.00
12 210.35 0.00 343.76 217.77 0.00 0.00
13 0.00 0.00 0.00 0.00 0.00 0.00
14 0.00 0.00 0.00 918.98 0.00 0.00
15 0.00 0.00 0.00 535.50 229.50 0.00
16 0.00 0.00 392.08 0.00 0.00 0.00
17 142.60 279.50 0.00 234.00 0.00 0.00
18 111.45 100.95 217.75 0.00 0.00 0.00
19 327.40 0.00 245.80 77.31 338.20 0.00
20 0.00 0.00 0.00 0.00 0.00 0.00
21 0.00 400.32 0.00 1210.32 0.00 2915.92
22 0.00 0.00 0.00 0.00 0.00 0.00
23 0.00 115.23 0.00 267.80 0.00 0.00
24 0.00 0.00 0.00 0.00 0.00 417.38
25 0.00 0.00 0.00 0.00 0.00 0.00
26 0.00 0.00 497.83 0.00 0.00 446.09
27 0.00 0.00 0.00 0.00 0.00 0.00
28 0.00 279.86 0.00 0.00 0.00 0.00
29 752.39 1070.14 387.80 692.24 330.44 653.00
... ... ... ... ... ... ...
3898 0.00 117.54 311.63 438.14 537.95 165.00
3899 0.00 0.00 0.00 1538.41 0.00 0.00
3900 874.45 0.00 0.00 0.00 0.00 361.48
3901 0.00 363.20 0.00 0.00 0.00 0.00
3902 0.00 0.00 0.00 0.00 297.06 0.00
3903 0.00 95.34 0.00 0.00 0.00 0.00
3904 0.00 0.00 0.00 0.00 0.00 0.00
3905 0.00 0.00 0.00 4314.72 0.00 0.00
3906 0.00 0.00 448.37 0.00 0.00 0.00
3907 0.00 0.00 0.00 103.30 0.00 0.00
3908 0.00 0.00 774.76 0.00 627.27 0.00
3909 0.00 1070.40 0.00 891.90 0.00 0.00
3910 0.00 0.00 0.00 0.00 0.00 0.00
3911 0.00 0.00 99.44 224.80 0.00 0.00
3912 0.00 0.00 0.00 0.00 0.00 149.48
3913 0.00 399.68 0.00 0.00 0.00 503.80
3914 0.00 0.00 0.00 312.96 0.00 488.55
3915 0.00 0.00 0.00 0.00 0.00 25.50
3916 0.00 0.00 0.00 0.00 0.00 0.00
3917 0.00 171.20 0.00 0.00 0.00 0.00
3918 367.88 0.00 604.25 0.00 372.25 753.66
3919 0.00 0.00 0.00 0.00 0.00 0.00
3920 0.00 0.00 329.61 0.00 0.00 0.00
3921 0.00 0.00 110.38 0.00 0.00 0.00
3922 0.00 0.00 0.00 173.90 0.00 0.00
3923 0.00 0.00 0.00 0.00 0.00 0.00
3924 0.00 0.00 0.00 0.00 0.00 0.00
3925 77.84 0.00 0.00 0.00 98.76 0.00
3926 208.00 637.71 112.99 134.90 0.00 139.89
3927 0.00 0.00 1072.00 0.00 0.00 0.00
[3928 rows x 6 columns]
month_year CLV
0 0.00
1 401.90
2 2780.66
3 1150.80
4 121869.86
5 386.20
6 1760.96
7 5371.07
8 792.94
9 4196.01
10 29748.44
11 3822.90
12 942.34
13 92.72
14 918.98
15 1759.50
16 392.08
17 1468.12
18 430.15
19 988.71
20 253.05
21 6748.40
22 215.05
23 383.03
24 417.38
25 312.38
26 2595.24
27 134.10
28 670.65
29 5578.04
... ...
3898 2058.09
3899 2232.49
3900 2527.10
3901 363.20
3902 793.52
3903 95.34
3904 342.92
3905 4314.72
3906 518.27
3907 103.30
3908 2274.03
3909 2338.60
3910 2128.57
3911 324.24
3912 149.48
3913 903.48
3914 801.51
3915 25.50
3916 138.90
3917 244.90
3918 2098.04
3919 0.00
3920 329.61
3921 110.38
3922 173.90
3923 180.60
3924 80.82
3925 176.60
3926 1929.93
3927 1837.28
[3928 rows x 1 columns]
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-197-44d25a827a36> in <module>
2 print (X)
3 print (y)
----> 4 X.iloc[:,:] = labelencoder_X.fit_transform(X.iloc[:,:])
5 y.iloc[:,:1] = labelencoder_y.fit_transform(y.iloc[:,:1])
6 plt.scatter(X_test, y_test, color='black')
/anaconda3/lib/python3.7/site-packages/sklearn/preprocessing/label.py in fit_transform(self, y)
233 y : array-like of shape [n_samples]
234 """
--> 235 y = column_or_1d(y, warn=True)
236 self.classes_, y = _encode(y, encode=True)
237 return y
/anaconda3/lib/python3.7/site-packages/sklearn/utils/validation.py in column_or_1d(y, warn)
795 return np.ravel(y)
796
--> 797 raise ValueError("bad input shape {0}".format(shape))
798
799
ValueError: bad input shape (3928, 6)
我嘗試了數據的多個切片方案，但沒有幫助。 可能與尺寸有關，這正是我需要幫助的地方。
1 個解決方案
解決方案1
0 2019-02-19 00:02:04
labelencoder_X.fit_transform函數可能返回一個新對象（numpy數組或另一個數據框）。 使用iloc將返回對象分配給同一輸入后，就會發生錯誤。
你可以試試：
X_transf = labelencoder_X.fit_transform(X)
y_transf = labelencoder_y.fit_transform(y)
或者，僅包含變量的名稱而不包含iloc。
希望這會有所幫助。
線性回歸訓練/形狀 output 不正確
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.