请原谅我的术语使用，我不是机器学习专家。下文中我可能使用了不正确的术语。

我试图进行多变量线性回归。假设我想通过分析网站的页面浏览来判断用户的性别。

对于每个我已知性别的用户，我有一个特征矩阵，每一行代表一个网站部分，第二个元素表示他们是否访问了该部分，例如：

male1 = [    [1, 1],     # 访问了部分1    [2, 0],     # 未访问部分2    [3, 1],     # 访问了部分3，等等    [4, 0]]

所以在scikit中，我正在构建xs和ys。我用1代表男性，用0代表女性。

上述情况将表示为：

features = male1gender = 1

显然，我不仅仅是在为单个用户训练模型，而是有数万名用户的数据用于训练。

我原本以为我应该这样创建xs和ys：

xs = [    [          # 用户1       [1, 1],           [2, 0],            [3, 1],           [4, 0]    ],    [          # 用户2       [1, 0],           [2, 1],            [3, 1],           [4, 0]    ],    ...]ys = [1, 0, ...]

scikit不喜欢这种方式：

from sklearn import linear_modelclf = linear_model.LinearRegression()clf.fit(xs, ys)

它会报错：

ValueError: Found array with dim 3. Estimator expected <= 2.

我应该如何向scikit-learn的线性回归算法提供特征矩阵呢？

回答：

你需要以不同的方式创建xs。根据文档：

fit(X, y, sample_weight=None)

参数：

    X : numpy array或稀疏矩阵，形状为[n_samples, n_features]        训练数据    y : numpy array，形状为[n_samples, n_targets]        目标值    sample_weight : numpy array，形状为[n_samples]        每个样本的个别权重

因此，xs应该是一个二维数组，行数与用户数相同，列数与网站部分数相同。然而，你定义的xs是一个三维数组。为了减少一个维度，你可以通过列表解析去掉部分编号：

xs = [[visit for section, visit in user] for user in xs]

如果你这样做，你提供的示例数据将被转换为：

xs = [[1, 0, 1, 0], # 用户1      [0, 1, 1, 0], # 用户2      ...      ]

这样，clf.fit(xs, ys)应该能够正常工作。

更高效的降维方法是切片NumPy数组：

import numpy as npxs = np.asarray(xs)[:,:,1]