Anpassen oder Vorhersagen der Funktion für LinearDiscriminantAnalysis

Question

Ich versuche, einer Beschriftung, die auf den bekannten Koordinaten basiert, Koordinaten mithilfe von SciKit-learns Linear Discriminant Analysis-Paket zuzuweisen. Training Koordinaten und Label in einem Pandas Datenrahmen gespeichert, Zielkoordinaten in einem anderen. Die beiden Datenfelder sind in der Zeilenlänge nicht gleich, der Trainingssatz ist größer. Ich möchte die Beschriftung auf die Koordinaten im ursprünglichen Datenrahmen anwenden, um sie als Schlüssel mit pd.merge zu verwenden.

Ich weiß, ich könnte dieses Problem mit Matplot Punkt in Polygon oder Shapely nähern, aber es auf diese Weise testen möchten. Hier ist, was ich auf dem docs

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis 
from sklearn.preprocessing import LabelEncoder 
le = LabelEncoder() 
labels_fea = le.fit_transform(Spatial_index['Postcode']) 
trainingdata=df1[['xcoord','ycoord']].values 
targetvalues=df2[['xcoord','ycoord']].values 
clf = LinearDiscriminantAnalysis(solver='svd', shrinkage=None, priors=None,  
n_components=None, store_covariance=False, tol=0.0001) 

Basis haben

dann, wie unten ausgeführt,

clf.fit(trainingdata,targetvalues) 

Dies führt den folgenden Fehler,

ValueError: bad input shape (8860, 2) 

Answer 1

Ich glaube, du bist von Ziel verwirrt und Prüfung. Der Fehler tritt auf, weil der Klassifikator ein eindimensionales Array von Labels erwartet - in Ihrem Fall die Postleitzahlen. Ohne Ihre Daten zu sehen, kann ich nicht sicher sagen, aber Sie wollen wahrscheinlich

clf.fit(trainingdata, labels_fea) 

und dann Umbenennung targetdata-testdata tun, würden Sie Ihre Vorhersagen erhalten zu Ihrem Modell zu testen mit clf.predict(testdata)