Sklearn 线性回归 - “IndexError：元组索引超出范围”

Posted 2023-03-12

【中文标题】Sklearn 线性回归 - “IndexError：元组索引超出范围”

【英文标题】：Sklearn Linear Regression - "IndexError: tuple index out of range"

【发布时间】：2015-01-22 07:06:39

【问题描述】：

我有一个“.dat”文件，其中保存了 X 和 Y 的值（所以是一个元组 (n,2)，其中 n 是行数）。

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as interp
from sklearn import linear_model

in_file = open(path,"r")
text = np.loadtxt(in_file)
in_file.close()
x = np.array(text[:,0])
y = np.array(text[:,1])

我为linear_model.LinearRegression() 创建了一个实例，但是当我调用.fit(x,y) 方法时，我得到了

IndexError: 元组索引超出范围

regr = linear_model.LinearRegression()
regr.fit(x,y)

我做错了什么？

【问题讨论】：

对不起，我完全误读了你的问题:(我已经删除了答案，如果我能得到修复，那么我将取消删除编辑后的答案。但是你能提供更多信息吗？比如你的完整代码？

这是你需要的代码，没有其他重要的了。

真的吗？ linear_model 是什么？你是怎么得到它的？

现在就这些了，感谢您的帮助。

x 和 Y 的长度是否相同？

【参考方案1】：

线性回归预计X 是一个二维数组，内部需要X.shape[1] 来初始化np.ones 数组。因此，将 X 转换为 nx1 数组 就可以了。所以，替换：

regr.fit(x,y)

作者：

regr.fit(x[:,np.newaxis],y)

这将解决问题。演示：

>>> from sklearn import datasets
>>> from sklearn import linear_model
>>> clf = linear_model.LinearRegression()
>>> iris=datasets.load_iris()
>>> X=iris.data[:,3]
>>> Y=iris.target
>>> clf.fit(X,Y)  # This will throw an error
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.7/dist-packages/sklearn/linear_model/base.py", line 363, in fit
    X, y, self.fit_intercept, self.normalize, self.copy_X)
  File "/usr/lib/python2.7/dist-packages/sklearn/linear_model/base.py", line 103, in center_data
    X_std = np.ones(X.shape[1])
IndexError: tuple index out of range
>>> clf.fit(X[:,np.newaxis],Y)  # This will work properly
LinearRegression(copy_X=True, fit_intercept=True, normalize=False)

要绘制回归线，请使用以下代码：

>>> from matplotlib import pyplot as plt
>>> plt.scatter(X, Y, color='red')
<matplotlib.collections.PathCollection object at 0x7f76640e97d0>
>>> plt.plot(X, clf.predict(X[:,np.newaxis]), color='blue')
<matplotlib.lines.Line2D object at 0x7f7663f9eb90>
>>> plt.show()

【讨论】：

非常感谢您的帮助！另一个问题：现在我只从线性回归中得到一个系数是否正常？如何绘制它的线？

@JackLametta，这绝对正常。这些系数用于在给定 Y 值的情况下预测 X 值。我已将代码上传到情节线。