WedX - журнал о программировании и компьютерных науках

Юлия - линейная регрессия - ОШИБКА: несоответствие размеров

Я хочу выполнить линейную регрессию в Julia, но получаю сообщение об ошибке: DimensionMismatch («длина столбца 3000 для столбца (столбцов) X и несовместима с длиной столбца 1000 для столбца (столбцов) Y»)

julia> x=rand(1000,3);

julia> x[:,1]=x[:,1] .+ 1;

julia> y = rand(1000,1) .+ 3;

julia> size(x)
(1000, 3)

julia> size(y)
(1000, 1)

julia> ols = lm(@formula(Y ~ X), DataFrame(X = x, Y = y))
ERROR: DimensionMismatch("column length 3000 for column(s) X, and is incompatible with column length 1000 for column(s) Y")
Stacktrace:
 [1] (::getfield(DataFrames, Symbol("##DataFrame#83#86")))(::Bool, ::Type, ::Array{Any,1}, ::DataFrames.Index) at /Users/henry/.julia/packages/DataFrames/CZrca/src/dataframe/dataframe.jl:118
 [2] Type at ./none:0 [inlined]
 [3] #DataFrame#94(::Base.Iterators.Pairs{Symbol,Array{Float64,2},Tuple{Symbol,Symbol},NamedTuple{(:X, :Y),Tuple{Array{Float64,2},Array{Float64,2}}}}, ::Type) at /Users/henry/.julia/packages/DataFrames/CZrca/src/dataframe/dataframe.jl:174
 [4] (::getfield(Core, Symbol("#kw#Type")))(::NamedTuple{(:X, :Y),Tuple{Array{Float64,2},Array{Float64,2}}}, ::Type{DataFrame}) at ./none:0
 [5] top-level scope at none:0

Кто-нибудь может помочь?

30.06.2019

  • Вам нужно сделать x и y одинакового размера. Так что их размер должен быть (1000, 3) или (1000,1). 30.06.2019
  • @ philoez98 они одного размера: я показываю размеры выше. 30.06.2019
  • Их нет, (1000,3) не равно (1000,1), поэтому вы получаете ошибку. 30.06.2019

Ответы:


1

Ваша проблема в том, что когда вы пишете:

DataFrame(X = x, Y = y)

Вы пытаетесь установить Matrix как столбец DataFrame. Это не разрешено. Вы можете добавлять векторы только как столбцы фрейма данных. Так, например, это будет работать

DataFrame([x y], [:x1, :x2, :x3, :y])

Итак, в исходном коде вы можете написать, например:

lm(@formula(y ~ x1+x2+x3), DataFrame([x y], [:x1, :x2, :x3, :y]))
30.06.2019
Новые материалы

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..


Для любых предложений по сайту: [email protected]