请稍等 ...

线性回归：non-broadcastable output operand with shape (1,)

import pandas as pd  
df = pd.read_csv("house_data.csv")  
# 查看前五行数据  
class LinearRegressionByMyself(object):  
    # 初始化学习率和循环迭代次数  
    def __init__(self, Learning_rate = 0.001, epoch = 20):  
        self.Learning_rate = Learning_rate  
        self.epoch = epoch  
    # 定义训练fit函数，传入训练集（X），测试集（y）      
    def fit(self, X, y):  
        # 初始化权重（w）  
        self.w = np.zeros(1 + X.shape[1])  
        self.cost_list = []          
        # 更新权重  
        for i in range(self.epoch):  
            output = self.Regression_input(X)  
            error = (y - output)  
            self.w[1:] += self.Learning_rate * X.T.dot(error)  
            self.w[0] += self.Learning_rate * error.sum()  
            cost = (error ** 2).sum() / 2.0  
            self.cost_list.append(cost)  
        return self  
    # 定义线性回归的输入计算函数  
    def Regression_input(self, X):  
        return np.dot(X, self.w[1:]) + self.w[0]  
    # 定义线性回归的预测函数  
    def predict(self, X):  
        return self.Regression_input(X)  
 
X = df[["RM"]].values  
y = df["MEDV"].values  
 
from sklearn.preprocessing import StandardScaler  
StandardScaler_X = StandardScaler()  
StandardScaler_y = StandardScaler()  
X_Standard = StandardScaler_X.fit_transform(X)  
y_Standard = StandardScaler_y.fit_transform(y.reshape(-1,1))
model = LinearRegressionByMyself()  
model.fit(X_Standard, y_Standard)