ValueError:当我尝试拟合模型时，发现样本数量不一致的输入变量：[2004,2005]
ValueError是Python中的一个异常类型，表示数值错误。在这个问答内容中，当尝试拟合模型时，出现了样本数量不一致的输入变量：[2004,2005]。
样本数量不一致的输入变量通常指的是输入数据的维度不匹配，即不同样本的特征数量不同。这可能是由于数据处理或数据准备过程中的错误导致的。
解决这个问题的方法取决于具体的情况，以下是一些可能的解决方案：
- 检查数据集：首先，需要检查输入数据集的结构和维度。确保每个样本的特征数量是一致的，如果不一致，需要对数据进行处理，使其具有一致的特征数量。
- 数据清洗：如果数据集中存在缺失值或异常值，需要进行数据清洗。可以使用一些数据清洗的方法，如填充缺失值、删除异常值等。
- 数据转换：如果输入数据集中包含不同类型的特征，例如数值型和类别型特征，需要进行数据转换，将其统一为相同类型的特征。
- 数据对齐：如果输入数据集来自不同的来源或不同的时间点，可能存在样本数量不一致的情况。可以通过数据对齐的方法，如插值、截断等，使得样本数量一致。
- 模型选择：有时，样本数量不一致的输入变量可能是由于选择了不适合的模型导致的。可以尝试选择其他适合处理不同样本数量的模型。
在腾讯云的产品中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）来进行模型拟合和数据处理。该平台提供了丰富的机器学习算法和工具，可以帮助解决样本数量不一致的问题。
相关·内容
我正在训练一个有107850个样本的模型，并对26963个样本进行验证。
在Keras中拟合模型时，批处理大小和纪元数应该是多少，以优化验证精度？有没有什么基于数据输入大小的经验法则？如果纪元的数量增加，它是否会过度拟合模型？
谢谢。
浏览 2提问于2019-08-04得票数 3
我的(Keras)模型有两个不同形状的输入。Keras网站上的说它应该能工作。
我将输入定义如下：
model1 = Model(inputs=[uii, vji], outputs=[decoded,decoded2, prod])
model1.summary()
Model: "model_10"
__________________________________________________________________________________________________
Layer (type) Outpu
浏览 9提问于2020-01-27得票数 0
回答已采纳
当将cnn模型与我的数据进行拟合时，它发现了错误：
161 X = X.reshape([X.shape[0], X.shape[1],1])
162 X_train_1 = X[:,0:10080,:]
--> 163 X_train_2 = X[:,10080:10160,:].reshape(1,80)
ValueError: cannot reshape array of size 3 into shape (1,80)
输入数据由X_train_1(形状为1,10080的每个样本)和X_train_2(形状为1，
浏览 2提问于2022-03-17得票数 0
回答已采纳
我想申请LSTM。我有12个特征和74行
在删除目标变量并对其进行三维数组(1、74、12)和目标形状：(74 )后，当我使用以下代码拆分数据时，我的数据形状：
x_train, x_test, y_train, y_test = train_test_split(data_1, target, test_size = 0.2,random_state =25)
我发现了一个错误：
ValueError:找到样本数不一致的输入变量: 1，74
我很好地定义了模型，但是当我适应这个模型时，我还有另一个错误
界定模式：
model = Sequential()
model.add(LSTM(1
浏览 9提问于2021-12-13得票数 1
回答已采纳
我试图将两个.npy文件输入到tf.keras的编解码模型中。这些文件很大，不适合记忆。为了加载数据，我尝试了以下策略：
mmap_enc = np.load('encoder.npy', mmap_mode='r')
mmap_dec = np.load('decoder.npy', mmap_mode='r')
mmap_target = np.load('target.npy', mmap_mode='r')
encoder_input_data = tf.data.Dataset.from
浏览 4提问于2021-02-15得票数 0
回答已采纳
1回答
我试图调整神经元模型，但是由于输入是多个的，而且形状不同，所以似乎不可能把它叠加在一起。
当我建立模型时，有两种类型的输入。
其中之一是：
cats = [train.time_signature,train.key,train.mode_cat,train.loudness_cat,train.tempo_cat,train.duration_cat]
它们的形状都是(7678，)
另一项投入是：
num_train
它的形状是(7678,30)，是一个矩阵。
在拟合Keras模型时，只需将它们连接在一起就可以了：
final_model.fit([cats,num_train],train
浏览 3提问于2020-10-04得票数 1
回答已采纳
我正在对970个样本进行训练，并对243个样本进行验证。
在Keras中拟合模型以优化val_acc时，批处理大小和纪元数应该有多大？有没有什么基于数据输入大小的经验法则？
浏览 1提问于2016-01-28得票数 83
1回答
我的培训资料有表格(?,15)在哪里？是可变长度。
在创建我的模型时，我指定如下：
inp = Input(shape=(None,15))
conv = Conv1D(32,3,padding='same',activation='relu')(inp)
...
我的训练数据有形状(35730，?,15)。
在python中进行检查，我得到：
X.shape
产出：(35730，)
X[0].shape
产出：(513、15)
当我尝试在我的训练数据上拟合我的模型时，我得到了ValueError：
Error when checking input: expe
浏览 2提问于2017-09-10得票数 8
回答已采纳
2回答
在Matlab中，我得到了一个任意概率密度函数，它被离散为矩阵，这意味着，对于每对x，y，概率都存储在矩阵中: A(x，y) =概率
这是一个100x100矩阵，我希望能够从这个矩阵中生成二维随机样本(x，y)，如果可能的话，也可以计算PDF的平均值和其他矩。我想这样做，因为在重采样后，我想把样本拟合成一个近似的高斯混合模型。
我到处都找过了，但还没有找到像这样具体的东西。我希望你能帮我。
谢谢。
浏览 1提问于2015-07-28得票数 3
回答已采纳
1回答
我正在尝试用13个属性对大约40万个数据进行分类。我使用过python sklearn的SVM包，但它不起作用，然后我了解到SVM不适合大数据集分类。然后我使用了(sklearn) ANN，使用了下面的MLPClassifier：
MLPClassifier(solver='adam', alpha=1e-5, random_state=1,activation='relu', max_iter=500)
并使用200K样本对系统进行了训练，并在其余样本上对模型进行了测试。这种分类效果很好。然而，我担心的是该系统训练过度或过度适应。你能指导我隐藏层的数量和节点大
浏览 2提问于2021-01-20得票数 0
1回答
我正在尝试使用支持向量机对我的数据进行拟合和分类。我的输入数据由11个特征(维度)和1335个样本组成，输出数据由17个类(1335x17)组成
from sklearn.svm import SVC
svclassifier = SVC(kernel='linear')
svccl = svclassifier.fit(x_train, y_train)
(甚至对于kernel = poly)，我得到以下错误：
ValueError: y should be a 1d array, got an array of shape (934, 17) instead.
当我尝试使用
浏览 47提问于2021-02-28得票数 0
2回答
我有一个Keras模型，当我拟合时会失败，错误如下
> kerasInput = Input(shape=(None, 47))
> LSTM(..)(kerasInput)
...
> model.fit(realInput, ...)
ValueError: Error when checking input: expected input_1 to have 3 dimensions, but got array with shape (10842, 1)
在查看我的输入时，我发现它有一个(10842, 1)形状，但对于每一行，它实际上是一个列表列表。我可以通过以下方式
浏览 3提问于2018-10-14得票数 1
我已将Box-Jenkins模型，ARIMA(2,1,0)拟合成一个单变量时间序列(length=38)，并希望得到一些在样本中的精度度量(例如ME、RMSE、MAE、MAPE等)。对该模型进行拟合，以便将Box-Jenkins模型与指数平滑模型(模型验证)进行比较。现在，我尝试使用“预测包”中的精度函数，该函数以类“预测”对象为输入参数。据说它也将与Arima ()一起工作。不过，我似乎没能让它发挥作用。我的代码：
x <- sarima(mytimeseries, 2,1,0)$fit
accuracy(x)
我得到以下错误：
警告信息:在训练准确性(f，test，d，D)：测试
浏览 2提问于2016-01-11得票数 1
我在随机生成的X1上拟合一个回归模型，x2和Y是X1，x2的和，但是我得到了这个误差。
ValueError:找到样本数不一致的输入变量：2,10000000
备注：-我这么做只是为了学习
我的代码：-
X = np.random.random_integers(100000000,size=(2,10000000))
X=(X-(100000000/2))/(100000000/2) # Scaling [-1,1]
Y = X[0]+X[1]
regr = linear_model.LinearRegression()
X_train, X_test, y_train, y_test =
浏览 0提问于2019-07-16得票数 1
我的训练数据有10680个样本，我将拟合设置为： model.fit(X, y, batch_size=32, epochs=5, verbose=1, validation_split=0.1) 这意味着它应该使用90%来训练(9612个样本)，另外10%来检查，对吗？ 但当我尝试运行它时，显示的纪元是： Epoch 1/5
301/301 [==============================] - 25s 85ms/step - loss: nan - accuracy: 0.4999 - val_loss: nan - val_accuracy: 0 它只使用了301个样本进
浏览 14提问于2020-04-02得票数 3
回答已采纳
2回答
不同尺寸输入的神经网络
、、、、
我想在Keras中使用一个神经网络，它需要两个不同大小的输入(向量v和矩阵A)，并输出一个向量u，即经过A操作后的v。我成功地输入了矩阵和向量。问题是，在拟合模型时，当我尝试使用向量u作为目标时，它会抱怨：
ValueError: Data cardinality is ambiguous:
x sizes: 70, 312
y sizes: 70
Make sure all arrays contain the same number of samples.
浏览 10提问于2022-07-15得票数 0
什么时候神经网络被认为适应了特定的任务。
我在某个地方读到，如果输入参数的数量等于超参数的数量，那将是过度拟合的迹象。
我用简历来训练。首先，我将数据拆分为列车/测试=> 90/10。在培训集中，我又进行了90/10拆分，这是我用于培训的数据。
然后我使用模型来处理完整的数据集。
简历会说明我有多过分(我得到的误差很小，偏离了2%)。但既然我把大部分数据都用在训练上了？我是否为这个数据集创建了一个过度匹配的神经网络。
我目前有230043个训练样本，107145个总样本，并在25561个样本上进行验证。我是不是太适应了？
浏览 0提问于2017-01-26得票数 0
我有一个线性回归模型y= 50 + 10x + e，其中e是正态分布的。
每次拟合模型时，都需要使用20对x和y值，其中x是seq(从= 0.5，到= 10，by = 0.5)。
我的第一项任务是使模型适应100次。换句话说，生成100个样本，其中每个样本由10对x和y值组成。
我的第二项任务是保存100个模型拟合实例中每一个的截距和斜率。
我的未成功代码如下：
linear_model <- c()
intercept <- c()
slope <- c()
for (i in 1:100) {
e <- rnorm(n = 20, mean = 0, sd = 4
浏览 1提问于2015-04-19得票数 1
回答已采纳
1回答
我已经使用R中的fitdistr将正态分布拟合到我的索赔金额数据中。如何拟合多变量正态分布(二维正态分布)？我想使用R中的AIC来选择哪个最适合我的样本数据，我该如何继续？我试过了
IC<-Mclust(data,G=1)
IC1<-Mclust(data,G=2)
较小的BIC是更好的模型。而是如何根据这个Mclust结果来计算AIC。
浏览 5提问于2015-02-05得票数 1
1回答
我正在用keras创建一个回归模型。我有十位数的10 145 * 5矩阵。我所面临的问题是如何拟合keras模型中的10 145 * 5矩阵。
X是输入矩阵
In: X.shape
Out: (10, 145, 5)
y是目标矩阵
In: y.shape
Out: (10,)
对于每个145 * 5矩阵，目标矩阵中都有一个值。
制作模型
In: model = Sequential([ Dense(32, input_dim=145), Activation('sigmoid'), Dense(output_dim=10) ])
虽然前面的行没有抛出任何
浏览 5提问于2016-12-26得票数 4
回答已采纳
我已经阅读了在下进行K折叠交叉验证的一般步骤。
它描述了一般程序如下：
随机洗牌数据集。
将数据集拆分为k组(折叠)
对于每个唯一的组:将组作为一个保持或测试数据集。
将剩下的组作为训练数据集，在训练集上建立模型，并在测试集上对其进行评估。
保留评价分数，放弃模型
利用模型评价成绩样本总结模型的技巧
所以如果它是K-折叠，那么K模型就会被建立，对吗？但是，为什么我从H2O的下面的链接中读到它构建了K+1模型呢？
浏览 1提问于2018-10-03得票数 0
回答已采纳
1回答
我正在尝试使用Stan拟合一个具有未知均值和协方差的有限高斯混合模型。我知道，由于HMC不能应用于离散分布的样本，因此边缘化技术通常用于使用Stan来推断混合参数。但是，对于我的应用程序，我需要数据集群分配。在Stan中推断它们的最好方法是什么？我们将非常感谢您的建议。
浏览 6提问于2018-01-15得票数 2
回答已采纳
我是ML及其概念的新手，我正在尝试使用sklearn实现SVR来解决房价问题。当我拟合模型时，我收到了这个错误
'type 'exceptions.ValueError'>, ValueError("Mix type of y not allowed, got types set(['continuous', 'multiclass'])",), <traceback object at 0x000000001493E388>v'
这是我的简单尝试：
import numpy as np
impo
浏览 0提问于2015-11-06得票数 0
我有50k个客户的数据。我必须为每个客户拟合一个多线性模型，并保存系数，而不是保存完整的模型。我想将这些系数与输入特征数据相乘，得到响应值。对于一个客户模型来说， data <- data.table(x=c(6.831,20.34083,33.85067, 47.3605, 60.87033, 74.38017, 87.89),
y=c(0.2098555,0.1593422,0.1191542,0.08804057,0.06445684,0.0468659
0.03390175))
model2 <- lm(y ~ pol
浏览 9提问于2020-04-17得票数 0
为了检验模型对我的数据的拟合程度，我想计算VARX模型的样本预测中的拟合值。
我在R中的"MTS“包中使用VARX函数估计了模型。这个包确实有一个VARXpred函数，可以在样本中预测，但这不是我要找的。
我尝试了谷歌，但到目前为止，我找不到一个函数或包。
浏览 15提问于2015-11-09得票数 2
我正在尝试训练一个CNN模型，在第一个时期之后，我得到了以下错误： ValueError:找到具有0个样本(shape=(0，))的数组，但至少需要1个样本。 看起来像是在抱怨下面这一行： X = onehot.transform(df.iloc[start_index: end_index][['Num1','Num2']])
浏览 31提问于2020-04-08得票数 1
1回答
我有一个2层神经网络，我正在训练大约10000个特征(基因组数据)，在我的数据集中有大约100个样本。现在我意识到，每当我运行我的模型(即编译和拟合)时，即使我保持训练/测试/验证分离不变，我也会得到不同的验证/测试精度。有时在70%左右，有时在90%左右。
由于神经网络的随机性，我预计会有一些变化，但这些强烈的波动会不会是其他东西的信号？
浏览 18提问于2020-10-26得票数 0
2回答
我使用机器学习模型来预测一个序数变量(值:1、2、3、4和5)，使用7个不同的特性。我提出了一个回归问题，所以模型的最终输出是连续变量。因此，评估框图如下：
📷
我试验了线性(线性回归，线性支持向量机)和非线性模型( RBF，随机森林，梯度增强机的支持向量机)。模型使用交叉验证(~1600个样本)进行训练，25%的数据集用于测试(~540个样本)。我使用R平方和均方根误差(RSME)来评估测试样本的模型。我感兴趣的是寻找一种比较线性模型和非线性模型的评价方法。
这是为了科学研究。指出R-平方可能不是非线性模型的适当测度，而X-平方检验是衡量拟合优度的较好方法。
问题是，我不知道什么是最好的方法
浏览 0提问于2018-08-06得票数 8
1回答
我在理解ANN的回归和性能图时遇到了问题。我的数据由13个输入和3个输出组成。用于模拟的参数如下。
我面临的问题是，我得到了一个非常好的拟合回归图，如下所示(性能和回归图)。
这意味着模型很好地拟合，但另一方面，均方误差相当高。这对我来说是件奇怪的事。如果回归图拟合得很好，那么MSE应该很小，或者我错了？
浏览 0提问于2015-05-02得票数 0
1回答
我有300个数据样本，每个样本大约有4000维特征。每个输入有一个5模糊。输出在-2到2的范围内。我正试着把套索模型放进去。我浏览了几篇关于交叉验证策略的文章，比如：
但是我在Matlab！中看到了拉索不支持离开。
我如何使用交叉验证来训练一个模型，并在我的数据集上使用lasso来拟合一个模型？我试着用matlab来做这件事。我想得到一套权重，我将能够用于未来的预测对其他数据。
我尝试使用glmnet：，但由于缺少适当的mex编译器，我无法在机器上编译它。
有什么办法解决我的问题吗？谢谢:)
编辑
我也尝试使用拉索函数内置的MATLAB.它有一个执行交叉验证的选项。它输出B和拟合统计量，其中B
浏览 0提问于2014-04-14得票数 1
回答已采纳
3回答
分段聚类回归
、、
我想知道是否有可能将数值数据(超过3维)聚成不同的聚类，并对每个聚类进行曲线拟合，以获得比单一模型更高的精度。
既然线性回归是首选的，有什么方法可以根据数据点的线性拟合来聚类吗？
这是因为我需要一个与输入数据匹配的结果，而不关心看不见的数据。我不能硬编码数据和使用查找机制。相反，一个近似的数学函数会更好。
是否有现有的实现？(最好用Python)
浏览 0提问于2018-06-14得票数 3
1回答
我有一个模型，它包含7年的时间趋势变量(例如2000=1,2001=2，...,2006=7)，以及6年的虚拟变量(因此除了2000年外，每年都有一个二进制变量)。当我要求R拟合这个线性模型时：
olsmodel=lm(lnyield ~ lnx1+ lnx2+ lnx3+ lnx4+ lnx5+ x6+ x7+ x8+ timetrend+
yeardummy2001+ yeardummy2002+ yeardummy2003+ yeardummy2004+
yeardummy2005+ yeardumm
浏览 4提问于2012-11-20得票数 1
回答已采纳
1回答
我使用tf-以色列国防军矢量数据作为我的Keras模型的输入。tf-以色列国防军载体的形状如下：
<class 'scipy.sparse.csr.csr_matrix'> (25000, 310617)
代码：
inputs = Input((X_train.shape[1],))
convnet1=Conv1D(128,3,padding='same',activation='relu')(inputs)
错误：
ValueError:输入0与conv1d_25层不兼容:预期的ndim=3，找到ndim=2
当我将输入转换
浏览 0提问于2018-10-03得票数 1
我一直在使用python来实验sklearn的 (以及GaussianMixture，它展示了同样的问题)。
我用从一个发行版中提取的许多项对模型进行拟合，然后用一个保持的数据集(一些来自发行版，一些来自于分布之外)测试模型。
类似于：
X_train = ... # 70x321 matrix
X_in = ... # 20x321 matrix of held out data points from X
X_out = ... # 20x321 matrix of data points drawn from a different distribution
model = Bayesi
浏览 10提问于2016-11-24得票数 2
1回答
我正在尝试将扁平层的输出与向量连接起来。但是，我收到错误消息，输入形状与预期形状不匹配(无，1，7)。我无法解释发现的形状(4,7)。有人能帮上忙吗？
我输入星期几作为热编码向量：
sample_shape_weekday = (1, 7)
inputs_weekday = layers.Input(shape=sample_shape_weekday)
在我的模型中，我将扁平层的输出与工作日向量连接在一起。
...
l4 = tf.keras.layers.Flatten()(previous_layer)
r1 = tf.keras.layers.Reshape((1, 256))(l4)
浏览 3提问于2021-10-27得票数 0
我的学习模型如下(使用Keras)。
model = Sequential()
model.add(Dense(100, activation='relu', input_shape = (X_train.shape[0],)))
model.add(Dense(500, activation='relu'))
model.add(Dense(2, activation='softmax'))
我的输入数据X_train是一个形状数组(180个)，相应的y_train包含标签也是一个形状数组(180个)。我试图按以下方式编译和拟合该模型。
mod
浏览 1提问于2020-02-14得票数 0
回答已采纳
1回答
因此，我的怀疑基本上是线性回归，我们试图拟合一条直线或一条曲线，对给定的训练集。现在，我相信当特性(自变量)增加时，参数也会增加。因此，计算这些参数在计算上是昂贵的。所以，我想这就是我们走向非线性的原因！？我的理解对吗？
我的下一个疑问是，对于线性回归的过度拟合，我们说模型是记忆的。我所理解的是，参数调整的方式只能预测给定的输入，并且会给输出带来不好的结果，原因是我们没有拟合一条广义的线或曲线。但我们正在绘制一条贯穿所有输出值的线或曲线。我的理解正确吗？
浏览 0提问于2020-05-08得票数 1
回答已采纳
在拟合logistic回归求积方案的泊松点过程模型中能包含权值吗？我的数据是一个分层样本，我想说明这种抽样策略，以获得有效的人口水平预测。
浏览 4提问于2019-11-17得票数 0
回答已采纳
我试着将我的模型拟合在一小批128个样本上进行二进制分类。这个模型应该足够强大，因为它有数十万个参数。它应该能够超过100%的准确性。然而，它只对96%的fts最好。这和我在30,000个样本上训练的时候差不多。因此，我尝试了以下方法，但都失败了：
使用一个小批的16个样品，它仍然不能过火。
使用不同的优化器，包括Adam、SGD、Adagrad，甚至每1000个周期重置一次优化器，不起作用。
每一个时代，只对那些被错误分类的样本进行训练，而不起作用。
问题应该是这个网络，因为另一个更基本的神经网络可以100%拟合。这个只能符合99.2%。顶层确实是乙状结肠。
有谁知道有什么问题吗？
浏览 0提问于2021-03-18得票数 1
我很难用ARMAX模型预测出样本值。
把模型拟合得很好。
armax_mod31 = sm.tsa.ARMA(endog = sales, order = (3,1), exog = media).fit()
armax_mod31.fittedvalues
没有外生值的预测，就我有一个相应的模型而言，效果也很好。
arma_mod31 = sm.tsa.ARMA(sales, (3,1)).fit()
all_arma = arma_mod31.forecast(steps = 14, alpha = 0.05)
forecast_arma = Series(res_arma[0], ind
浏览 5提问于2013-09-10得票数 2
回答已采纳
很简单的问题：
我想要拟合回归模型。我已经让熊猫知道这些变量是绝对的。样本代码：
bikes_reg['month'] = bikes_reg['month'].astype('category')
我是否需要创建虚拟变量，或者模型是否会在合适的情况下自动创建它们？
一般的经验法则是什么？每次使用分类变量时，是否都需要创建虚拟变量？
浏览 1提问于2017-08-25得票数 0
回答已采纳
1回答
建立深度学习模型
、、
我想为一个二元分类问题建立一个深入的学习模型。我有16个特征和50k样本。如何为我的问题选择每一层的层数和神经元数？
请分享解释相同的链接。
浏览 0提问于2017-05-05得票数 0
我使用Python建立了一个logistic回归模型，并惊讶地发现模型系数的数量与训练样本的大小成正比。
我的培训数据是：
print('Training data is type %s and shape %s' % (type(os_X_train), os_X_train.shape))
和产出：
Training data is type <class 'pandas.core.frame.DataFrame'> and shape (174146, 11)
然后，模型是：
logreg = LogisticRegression(penalt
浏览 0提问于2019-02-04得票数 3
当我试图拟合模型时，我遇到了一个问题，这里是我的构建模型以及我的训练和测试数据的形状：
import keras
def buildModel(dataLength, labelLength):
price=Input(shape=(dataLength, 51),name='price')
# price = Input(shape = (dataLength,1),name='price')
sentiment = Input(shape=(dataLength, 51),name='sentiment')
浏览 2提问于2019-07-09得票数 0
我一直试图用不同的分类器来建模一个数据集。响应是高度不平衡的(二进制)，我有数值和分类变量，所以我采用了SMOTENC和随机过采样方法的训练集。此外，我还使用了一个验证集来通过GridSearchCV()优化模型参数。由于精确性和回忆性对我来说都很重要，所以我用f1找到了最好的型号。
我应该注意到，我通过聚类分析选择了这三个子集，并从每个集群中通过分层的train_test_split()提取样本；因此，我更有信心这些子集具有更大的相似性。
由于决策树和随机森林或增强技术的复杂性，我通常在训练集上得到高拟合(高f1分数)，在验证集上得到较高的拟合，而在测试集上得到中等到低的拟合。
过度拟合的一
浏览 0提问于2019-12-10得票数 1
回答已采纳
Keras允许用户在拟合模型的同时，使用参数"validation_split“将数据分割为训练/测试样本。
示例：
model = Sequential()
model.add(Dense(3, activation = 'relu'))
//编译模型/
model.fit(X_train, y_train, validation_split = 0.2)
然而，我的直觉表明，使用validation_split (相对于创建训练，在拟合模型之前测试样本)会导致过度拟合，因为尽管validation_split在每个时期将批划分为训练和测试，但总体效果是整个数据集被模
浏览 0提问于2020-11-24得票数 -1
回答已采纳
2回答
用AIC评估ARIMA模型
、、、、
最近我遇到了ARIMA /季节性ARIMA，我想知道为什么选择AIC作为模型适用性的估计器。根据Wikipedia，它在惩罚非简约模型的同时评估拟合的好坏，以防止过度拟合。许多网格搜索功能，如Python或R中的auto_arima，都将其用作评估指标，并建议具有最低AIC值的模型为最佳拟合模型。 然而，在我的例子中，选择一个简单的模型(具有最低的AIC ->少量参数)只会导致一个模型，该模型强烈遵循先前的样本内观察结果，并且在测试样本数据上的表现非常差。我看不出仅仅通过选择少量的参数就可以防止过度拟合。 ARIMA(1,0,1)(0,0,0,53); AIC=-16.7 ?
浏览 218提问于2020-06-08得票数 1
当我试图适应这个模型时，我面临着一些问题。当我尝试使用LogisticRegression、朴素贝叶斯或svm模型时，就会发生这种情况。但是，当我使用随机森林回归或决策树时，我会得到结果。
错误说：
ValueError: y应该是一个一维数组，而不是一个形状数组(20799,100)。
解决方案是在拟合模型时使用y_train.ravel()。但是，再次出现以下错误：
发现输入变量的样本数不一致: 14559,1455900
这是我的密码：
import pandas as pd
import numpy as np
from sklearn.linear_model import
浏览 2提问于2020-07-29得票数 0
我正在尝试使用支持向量机，但当我使用熊猫数据框架时，我不知道如何拟合这个模型。如果我的数据是这样的：
df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]})
df.x.apply(lambda x: np.array(list(map(int,x))))
>>>df
x y
0 [0, 1, 1] 0
1 [1, 0, 0] 1
2 [1, 1, 1] 0
如果我试着用这种方式
浏览 15提问于2017-10-04得票数 3
回答已采纳
我在R中有一个偏最小二乘回归模型对象，我想用它来预测值作为地图上的空间模式。
然而，到目前为止，这对我来说是不起作用的。PLS模型在R (PLS包)中处理，输入是一个表：
Dependent variable Indepentent var. 1 Indepentend var ... Indepented var. 101
Value value value value
Value value value
浏览 2提问于2015-03-09得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
