我正在尝试使用scikit-learn创建一个决策树，使用三维的训练数据和二维的目标数据。举个简单的例子，想象一下RGB图像。假设我的目标数据是1和0，其中1表示有人脸存在，0表示没有人脸存在。例如：
red green blue face presence 1000 0001 0011 0000 0110 0110 0001 0110 0110 0110 0000 0110 RGB数据的数组将代表训练数据，而二维数组将代表我的目标类别（有脸，无脸）。
在Python中，这些数组可能看起来像这样：
rgb = np.array([[[1,0,0,0],[0,1,1,0],[0,1,1,0]], [[0,0,0,1],[0,1,1,0],[0,1,1,0]], [[0,0,1,1],[0,0,0,1],[0,0,0,0]]])face = np.array([[0,0,0,0],[0,1,1,0],[0,1,1,0]])遗憾的是，这不起作用
import numpy as npfrom sklearn import treedt_clf = tree.DecisionTreeClassifier()dt_clf = dt_clf.fit(rgb, face)这会抛出以下错误：
发现维度为3的数组。期望<= 2
我尝试了多种方式重塑和扁平化数据，但得到了另一个错误：
标签数量=xxx 与样本数量不匹配
有谁知道我如何使用tree.DecisionTreeClassifier来实现这个目标？谢谢。
回答：
我想我已经解决了这个问题。方法不是很优雅。也许有人可以提供一些帮助来清理代码。基本上，我需要将RGB数据组织成一个包含12个3元素数组的数组，或者形状为(12,3)。例如…
np.hsplit(np.dstack(rgb).flatten(), len(face.flatten()))我还扁平化了脸部数据，所以我的最终拟合调用变为…
dt_clf = dt_clf.fit(np.hsplit(np.dstack(rgb).flatten(), len(face.flatten())), face.flatten())现在我可以测试一个新的数据集，看看它是否有效。目标图像在红色和绿色像素都显示时表示有脸存在，所以一个好的测试可能是…
red green blue 1100 1100 0011 1100 1100 0001 0000 0000 0000或者…
predict = np.array([[[1,1,0,0],[1,1,0,0],[0,0,0,0]], [[1,1,0,0],[1,1,0,0],[0,0,0,0]], [[0,0,1,1],[0,0,0,1],[0,0,0,0]]])所以…
predicted = dt_clf.predict(np.hsplit(np.dstack(predict).flatten(), len(face.flatten())))然后将其恢复到正确的维度…
predicted = np.array(np.hsplit(predicted, face.shape[0]))这将得到
array([[1, 1, 0, 0], [1, 1, 0, 0], [0, 0, 0, 0]])太棒了！现在看看这是否能在更大的数据集上工作。请随时提供建议，使代码更简洁。
