我正在尝试使用简单线性回归（只有一个自变量）来预测汽车价格（通过机器学习）。变量是“高速公路每加仑英里数”
0 271 272 263 304 22 ..200 28201 25202 23203 27204 25Name: highway-mpg, Length: 205, dtype: int64和“价格”:
0 13495.01 16500.02 16500.03 13950.04 17450.0 ... 200 16845.0201 19045.0202 21485.0203 22470.0204 22625.0Name: price, Length: 205, dtype: float64使用以下代码:
from sklearn.linear_model import LinearRegressionx = df["highway-mpg"]y = df["price"]lm = LinearRegression()lm.fit([x],[y])Yhat = lm.predict([x])print(Yhat)print(lm.intercept_)print(lm.coef_)然而，截距和斜率系数的打印命令给出了以下输出:
[[0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] ... [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.]]为什么它不打印截距和斜率系数呢？“Yhat”的打印命令确实正确地打印了一个数组中的预测值，但不知为何其他打印命令没有输出我想要的结果…
回答：
导致coef_和intercept_看起来奇怪的原因是你的数据有205个特征和205个目标，但只有1个样本。这绝对不是你想要的！
你可能想要1个特征，205个样本，以及1个目标。要做到这一点，你需要重塑你的数据:
from sklearn.linear_model import LinearRegressionimport numpy as npmpg = np.array([27, 27, 26, 30, 22, 28, 25, 23, 27, 25]).reshape(-1, 1)price = np.array([13495.0, 16500.0, 16500.0, 13950.0, 17450.0, 16845.0, 19045.0, 21485.0, 22470.0, 22625.0])lm = LinearRegression()lm.fit(mpg, price)print(lm.intercept_)print(lm.coef_)我在这里使用数组进行测试，但显然你应该使用数据框中的数据。
附注: 如果你省略了重塑操作，你会得到这样的错误消息:
ValueError: Expected 2D array, got 1D array instead:array=[27 27 26 30 22 28 25 23 27 25].Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.^ 它告诉你该怎么做！
