Fitur, label, dan bentuk data

Setiap baris tabel adalah satu sampel (satu rumah, satu pelanggan) dan setiap kolom masukan adalah satu fitur. Kolom yang ingin ditebak adalah label atau target. Getting Started scikit-learn menjelaskan bentuk yang diminta fit: X berbentuk matriks (n_samples, n_features) dan y berbentuk vektor (n_samples,) — satu label untuk setiap baris X.

Dari DataFrame pandas, X diambil dengan daftar nama kolom di dalam kurung siku ganda, sehingga hasilnya tetap tabel dua dimensi walau kolomnya hanya satu. y diambil dengan satu nama kolom di kurung siku tunggal, sehingga hasilnya Series satu dimensi. Cara lain yang sama hasilnya: df.drop(columns="label") untuk X ketika hampir semua kolom dipakai.

import pandas as pd

motor = pd.DataFrame({
    "umur_tahun": [1, 3, 5, 8],
    "km_ribu": [8, 30, 55, 90],
    "harga_juta": [18.5, 15.0, 12.0, 8.5],
})
X = motor[["umur_tahun", "km_ribu"]]   # (4, 2)
y = motor["harga_juta"]                 # (4,)
print(X.shape, y.shape)

Array numpy satu dimensi diubah menjadi satu kolom dengan reshape(-1, 1): angka -1 berarti "hitung sendiri banyak barisnya".