我正在尝试对以下数据进行线性回归。
X = [[ 1 26] [ 2 26] [ 3 26] [ 4 26] [ 5 26] [ 6 26] [ 7 26] [ 8 26] [ 9 26] [10 26] [11 26] [12 26] [13 26] [14 26] [15 26] [16 26] [17 26] [18 26] [19 26] [20 26] [21 26] [22 26] [23 26] [24 26] [25 26] [26 26] [27 26] [28 26] [29 26] [30 26] [31 26] [32 26] [33 26] [34 26] [35 26] [36 26] [37 26] [38 26] [39 26] [40 26] [41 26] [42 26] [43 26] [44 26] [45 26] [46 26] [47 26] [48 26] [49 26] [50 26] [51 26] [52 26] [53 26] [54 26] [55 26] [56 26] [57 26] [58 26] [59 26] [60 26] [61 26] [62 26] [63 26] [64 26] [65 26] [66 26] [67 26] [68 26] [69 26]]Y = [ 192770 14817993 1393537 437541 514014 412468 509393 172715 329806 425876 404031 524371 362817 692020 585431 446286 744061 458805 330027 495654 459060 734793 701697 663319 750496 525311 1045502 250641 500360 507594 456444 478666 431382 495689 458200 349161 538770 355879 535924 549858 611428 517146 239513 354071 342354 698360 467248 500903 625170 404462 1057368 564703 700988 1352634 727453 782708 1023673 1046348 1175588 698072 605187 684739 884551 1067267 728643 790098 580151 340890 299185]我尝试绘制结果以查看回归线，使用以下代码
regr = linear_model.LinearRegression()regr.fit(X, Y)plt.scatter(X[:,0], Y, color='black')plt.plot(X[:,0], regr.predict(X), color='blue', linewidth=3)plt.xticks(())plt.yticks(())plt.show()我得到的图像是 
(‘Coefficients: \n’, array([-34296.90306122, 0. ]))Residual sum of squares: 1414631501323.43Variance score: -17.94
我正在尝试预测
pred = regr.predict([[49, 26]])print pred这是训练数据中已有的值，结果是[-19155.16326531]
其实际值为625170
我做错了什么？
请注意，值26来自一个更大的数组，我已经将数据切片成一小部分，以便在26上进行训练和预测，同样，X[:,0]可能不是连续值，它再次来自一个更大的数组。这里的数组指的是numpy数组
回答：
正如SAMO在他的评论中所说，你的数据结构不清楚。假设你有X中的两个特征和一个目标Y，如果你将X和Y转换为numpy数组，你的代码将按预期工作。
import numpy as npfrom sklearn import linear_modelimport matplotlib.pyplot as pltx1 = range(1, 70)x2 = [26]*69X = np.column_stack([x1, x2])y = ''' 192770 14817993 1393537 437541 514014 412468 509393 172715 329806 425876 404031 524371 362817 692020 585431 446286 744061 458805 330027 495654 459060 734793 701697 663319 750496 525311 1045502 250641 500360 507594 456444 478666 431382 495689 458200 349161 538770 355879 535924 549858 611428 517146 239513 354071 342354 698360 467248 500903 625170 404462 1057368 564703 700988 1352634 727453 782708 1023673 1046348 1175588 698072 605187 684739 884551 1067267 728643 790098 580151 340890 299185'''Y = np.array(map(int, y.split()))regr = linear_model.LinearRegression()regr.fit(X, Y)plt.scatter(X[:,0], Y, color='black')plt.plot(X[:,0], regr.predict(X), color='blue', linewidth=3)plt.xticks(())plt.yticks(())plt.show()print regr.predict([[49,26]])# 611830.33589088