我有一个来自Kaggle的商场客户数据集，包含200个客户和5个特征：客户ID、性别、年龄、年收入和消费评分。在进行回归分析之前，我首先使用K-means对数据进行了聚类，设置K=6，针对消费评分（因变量）、年收入（自变量）和年龄（自变量）进行聚类。之后，我对每个聚类分别进行了多元线性回归分析，并打印了预测值和实际值，结果发现预测值远高于实际值。我的预测y值是34（正好是我聚类中的数据点数量），而我的实际y值是9。为什么我的所有实际值没有全部打印出来？

代码:

df = pd.read_csv('D:\Mall_Customers.csv', usecols = ['Age','Spending Score (1-100)', 'Annual Income (k$)'])x = StandardScaler().fit_transform(df)kmeans = KMeans(n_clusters=6, max_iter=100, random_state=0)y_kmeans= kmeans.fit_predict(x)mydict = {i: np.where(kmeans.labels_ == i)[0] for i in range(kmeans.n_clusters)}dictlist = []for key, value in mydict.items():    temp = [key,value]    dictlist.append(temp)df0 = df[df.index.isin(mydict[0].tolist())]Y = df0['Spending Score (1-100)']X = df0[[ 'Annual Income (k$)','Age']]from sklearn.model_selection import train_test_splitX_train, X_test, y_train,y_test = train_test_split(X, Y, test_size = None, random_state = 0)from sklearn.linear_model import LinearRegressionregressor = LinearRegression()regressor.fit(X_train, y_train)y_pred = regressor.predict(X)print('predicted:', y_pred, sep='\n')print('actual', y_test, sep='\n')

回答：

上面的代码没有显示你是如何计算y_pred的。此外，你在调用train_test_split时设置了test_size为None，这意味着测试集默认占数据的25%。如果你聚类中有34个项目，那么测试集应该是8.5个，因此你看到的9个实际值是合理的。要理解为什么y_pred比这更多，我们需要看到你是如何计算它的，但我猜测你可能做了类似regressor.predict(X)的操作，这会对所有数据进行预测，而不仅仅是测试集。