python - Python sklearn决策树分类器具有多个功能？

我试着用四个特性对训练数据进行预测；我的代码：

from sklearn.cross_validation import train_test_split

X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.33, random_state=42)

# Train
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)

# Plot the decision boundary
plt.subplot(2, 3, pairidx + 1)

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),
                     np.arange(y_min, y_max, plot_step))

Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)

plt.xlabel(iris.feature_names[pair[0]])
plt.ylabel(iris.feature_names[pair[1]])
plt.axis("tight")

# Plot the training points
for i, color in zip(range(n_classes), plot_colors):
    idx = np.where(y == i)
    plt.scatter(X[idx, 0], X[idx, 1], c=color, label=iris.target_names[i],
                cmap=plt.cm.Paired)

plt.axis("tight")

plt.suptitle("Decision surface of a decision tree using paired features")
plt.legend()
plt.show()

在我的预测行：Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])我得到以下错误：
Number of features of the model must match the input. Model n_features is 4 and input n_features is 2
iris数据是150x4数据集我怎样才能让它适用于4个功能？

最佳答案

在培训期间，您提供的功能数是4
但是当你预测的时候，你提供了一个有两个特征的样本
训练中使用的特征数在进行预测时必须使用相同数量的特征
如果你这样做：print(np.c_[xx.ravel(), yy.ravel()])它会给你一个形状：（30，2）如果你的plot_step是1
作为参数提供给predict函数的numpy数组的形状必须是：(x, 4)，其中x可以是任何正整数，但numpy数组中的列数必须是4

关于python - Python sklearn决策树分类器具有多个功能？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/42933179/