ТАК вопрос, заданный мне, был
Напишите функцию, которая соответствует полиномиальной модели LinearRegression на обучающих данных X_train для степеней 1, 3, 6 и 9. (Используйте PolynomialFeatures в sklearn.preprocessing, чтобы создать полиномиальные функции, а затем подобрать модель линейной регрессии) Для каждой модели найдите 100 предсказанных значений в интервале x = от 0 до 10 (например, np.linspace (0,10,100)) и сохраните их в массиве numpy. Первая строка этого массива должна соответствовать выходным данным модели, обученной на степени 1, второй степени строки 3, третьей степени строки 6 и четвертой степени строки 9.
Так что попробовал решить проблему сам и потерпел неудачу и увидел код GitHub некоторых других людей и был очень похож на меня, но это сработало.
Так в чем разница между моим кодом и кодом другого человека?
Вот базовый код перед моим вопросом
np.random.seed(0)
n = 15
x = np.linspace(0,10,n) + np.random.randn(n)/5
y = np.sin(x)+x/6 + np.random.randn(n)/10
X_train, X_test, y_train, y_test = train_test_split(x, y, random_state=0)
Вот мой подход
pred=np.linspace(0,10,100).reshape(100,1)
k=np.zeros((4,100))
for count,i in enumerate([1,3,6,9]):
poly = PolynomialFeatures(degree=i)
X_poly = poly.fit_transform(X_train.reshape(-1,1))
linreg = LinearRegression()
linreg.fit(X_poly,y_train.reshape(-1,1))
pred = poly.fit_transform(pred.reshape(-1,1))
t=linreg.predict(pred)
#print(t) #used for debugging
print("### **** ####") #used for debugging
k[count,:]=t.reshape(1,-1)
print(k)
Вот код, который работает
result = np.zeros((4, 100))
for i, degree in enumerate([1, 3, 6, 9]):
poly = PolynomialFeatures(degree=degree)
X_poly = poly.fit_transform(X_train.reshape(11,1))
linreg = LinearRegression().fit(X_poly, y_train)
y=linreg.predict(poly.fit_transform(np.linspace(0,10,100).reshape(100,1)))
result[i, :] = y
print(result)
Мой подход получил ошибку
13 print("### **** ####")
---> 14 k[count,:]=t.reshape(1,-1)
15
16
ValueError: could not broadcast input array from shape (200) into shape (100)
Пока другой код работал нормально