sklearn не распознает мой массив как 2d даже после изменения формы?

Question

Я пытаюсь запустить следующий код. Я знаю, что мне нужно изменить свои массивы, чтобы они соответствовали модели линейной регрессии. Тем не менее, после того, как я изменил их форму, все равно выдается сообщение о том, что мои массивы являются скалярными. Я также попробовал atleast_2d без удачи.

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
boston = load_boston()

x = np.array(boston.data[:,5])
y = boston.target

x=np.array(x).reshape(-1,1)
y=np.array(y).reshape(-1,1)

lr = LinearRegression(fit_intercept=True)
lr.fit(x,y)

fig,ax= plt.subplots()

ax.set_xlabel("Average number of rooms(RM)")
ax.set_ylabel("House Price")

xmin = x.min()
xmax = x.max()

ax.plot([xmin,xmax],
       [lr.predict(xmin),lr.predict(xmax)],
        "-",
       lw=2,color="#f9a602")
ax.scatter(x,y,s=2)


> ValueError                                Traceback (most recent call last)
<ipython-input-6-8c6977f43703> in <module>
      7 xmax = xmax
      8 ax.plot([xmin,xmax],
----> 9        [lr.predict(xmin), lr.predict(xmax)],
     10         "-",
     11        lw=2,color="#f9a602")

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\linear_model\base.py in predict(self, X)
    211             Returns predicted values.
    212         """
--> 213         return self._decision_function(X)
    214 
    215     _preprocess_data = staticmethod(_preprocess_data)

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\linear_model\base.py in _decision_function(self, X)
    194         check_is_fitted(self, "coef_")
    195 
--> 196         X = check_array(X, accept_sparse=['csr', 'csc', 'coo'])
    197         return safe_sparse_dot(X, self.coef_.T,
    198                                dense_output=True) + self.intercept_

~\AppData\Local\Continuum\anaconda3\lib\site-packages\sklearn\utils\validation.py in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
    543                     "Reshape your data either using array.reshape(-1, 1) if "
    544                     "your data has a single feature or array.reshape(1, -1) "
--> 545                     "if it contains a single sample.".format(array))
    546             # If input is 1D raise error
    547             if array.ndim == 1:

ValueError: Expected 2D array, got scalar array instead:
array=<built-in method min of numpy.ndarray object at 0x0000019960BF9CB0>.
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

Answer 1

Нашел это решение с помощью squeeze

from sklearn.linear_model import LinearRegression
lr = LinearRegression(fit_intercept=True)


xmin
xmax = x.max()
xmax = xmax.reshape(-1,1)
xmin = x.min()



lr.fit(x,y)
xmin =xmin.reshape(-1,1)
print(xmin.shape)
print(xmin)
s = lr.predict(xmin)

s= np.squeeze(s)



r = lr.predict(xmax)

r = np.squeeze(r)

xmax = np.squeeze(xmax)

xmin = np.squeeze(xmin)


lr.fit(x,y)

fig,ax= plt.subplots()
ax.set_xlabel("Average number of rooms(RM)")
ax.set_ylabel("House Price")
xmin = xmin
xmax = xmax
ax.plot([xmin,xmax],
       [s, r],
        "-",
       lw=2,color="#f9a602")
ax.scatter(x,y,s=2)