我在尝试运行多重线性回归，但我在绘制结果时遇到了麻烦。我试图绘制3D图，但得到的输出是 ValueError: operands could not be broadcast together with remapped shapes [original->remapped]: (4,) and requested shape (34,)

from sklearn.model_selection import train_test_splitX_train, X_test, y_train,y_test = train_test_split(X, Y, test_size = 0.2, random_state = 0)from sklearn.linear_model import LinearRegressionregressor = LinearRegression()regressor.fit(X_train, y_train)y_pred = regressor.predict(X_test)fig = plt.figure()ax = fig.add_subplot(111, projection='3d')ax.scatter(X.iloc[:, 0], X.iloc[:, 1], Y)ax.plot(X.iloc[:, 0], X.iloc[:, 1], y_pred, color='red')ax.set_xlabel('Annual Income (k$)')ax.set_ylabel('Age')ax.set_zlabel('Spending Score')plt.show()

编辑:

编辑2:

回答：

绘图命令应该是:

ax.plot(X_test.iloc[:, 0], X_test.iloc[:, 1], y_pred, color='red')

因为 y_pred 仅包含 X_test 子集的 y 值，而不是整个输入 X 的 y 值。

使用连接线进行绘图（ax.plot）没有意义，因为输入数据可能没有按有意义的方式排序，即便输入数据是有序的，测试集也肯定不是有序的。

我会这样绘图:

from sklearn.model_selection import train_test_splitfrom mpl_toolkits.mplot3d import Axes3Dimport numpy as np# 生成一些示例数据np.random.seed(1)n = 20X = pd.DataFrame(np.random.uniform(size=(n, 2)), columns=['foo', 'bar'])Y = X['foo'] + 2*X['bar'] + np.random.normal(scale=0.2, size=n)X_train, X_test, y_train,y_test = train_test_split(X, Y, test_size = 0.2, random_state = 0)from sklearn.linear_model import LinearRegressionregressor = LinearRegression()regressor.fit(X_train, y_train)y_pred = regressor.predict(X_test)fig = plt.figure()ax = fig.add_subplot(111, projection='3d')ax.scatter(X['foo'], X['bar'], Y, label='data')for x0, x1, yt, yp in zip(X_test['foo'], X_test['bar'], y_test, y_pred):    ax.plot([x0, x0], [x1, x1], [yt, yp], color='red')ax.scatter(X_test['foo'], X_test['bar'], y_pred, color='red', marker='s', label='prediction') ax.set_xlabel('X0')ax.set_ylabel('X1')ax.set_zlabel('y')ax.legend()fig.show()

还有其他可视化的方法。你可以使用 np.meshgrid 生成网格上的 X 值，并从你的预测器获取 y 值，然后使用 plot_wireframe 绘制，并使用垂直线绘制训练和测试数据以指示它们与网格的垂直距离。具体使用哪种方法取决于数据的性质。