Se pasó una columna-vector y cuando se esperaba una matriz 1d

Necesito encajar RandomForestRegressordesde sklearn.ensemble.

forest = ensemble.RandomForestRegressor(**RF_tuned_parameters)
model = forest.fit(train_fold, train_y)
yhat = model.predict(test_fold)

Este código siempre funcionó hasta que hice algún preprocesamiento de datos ( train_y). El mensaje de error dice:

DataConversionWarning: Se pasó una columna-vector y cuando se esperaba una matriz 1d. Cambie la forma de y a (n_samples,), por ejemplo, usando ravel ().

modelo = bosque.fit (tren_fold, tren_y)

Anteriormente train_yera una serie, ahora es una matriz numpy (es un vector de columna). Si aplico train_y.ravel(), se convierte en un vector de fila y no aparece ningún mensaje de error, ya que el paso de predicción lleva mucho tiempo (en realidad, nunca termina ...).

En los documentos de RandomForestRegressorencontré que train_ydebería definirse como ¿ y : array-like, shape = [n_samples] or [n_samples, n_outputs] Alguna idea de cómo resolver este problema?

Cambie esta línea:

model = forest.fit(train_fold, train_y)

a:

model = forest.fit(train_fold, train_y.values.ravel())

Editar:

.valuesdará los valores en una matriz. (forma: (n, 1)

.ravel convertirá esa forma de matriz en (n,)

También encontré esta situación cuando estaba tratando de entrenar a un clasificador KNN . pero parece que la advertencia desapareció después de que cambié:
knn.fit(X_train,y_train)
a
knn.fit(X_train, np.ravel(y_train,order='C'))

Adelante de esta línea utilicé import numpy as np.

Yo tuve el mismo problema. El problema era que las etiquetas estaban en formato de columna mientras se esperaba en una fila. utilizarnp.ravel()

knn.score(training_set, np.ravel(training_labels))

Espero que esto lo resuelva.

use el siguiente código:

model = forest.fit(train_fold, train_y.ravel())

si todavía recibe una palmada por error tan idéntica a la siguiente?

Unknown label type: %r" % y

usa este código:

y = train_y.ravel()
train_y = np.array(y).astype(int)
model = forest.fit(train_fold, train_y)

Otra forma de hacer esto es usar ravel

model = forest.fit(train_fold, train_y.values.reshape(-1,))

Con neuraxle , puede resolver esto fácilmente:

p = Pipeline([
   # expected outputs shape: (n, 1)
   OutputTransformerWrapper(NumpyRavel()), 
   # expected outputs shape: (n, )
   RandomForestRegressor(**RF_tuned_parameters)
])

p, outputs = p.fit_transform(data_inputs, expected_outputs)

Neuraxle es un marco similar a sklearn para el ajuste de hiperparámetros y AutoML en proyectos de aprendizaje profundo.

format_train_y=[]
for n in train_y:
    format_train_y.append(n[0])

Y = y.values ​​[:, 0]

Y - formated_train_y

y - train_y