Ich bin ein Neuling in Scikit-lernen und Klassifizierung. Meine Aufgabe ist ein Multi-Label-Klassifikationsproblem. AS Ich verstehe predict
gibt Array mit n
Tupel, die die gleiche Menge an Features in Probe ist. Was heißt das? Wie kann ich strenge Ordnung und strenge Menge von vorhergesagten Werten bekommen? Da x_test = X_train[0]
Ausgang Result [('a', 'c'),(),()]
und x_test = X_train[0]
Ausgänge Result [('a',),(),()]
So behandeln Sie die Antwort OneVsRestClassifier in Scikit lernen für Multilabel
import numpy as np
from sklearn.svm import SVC
from sklearn.multiclass import OneVsRestClassifier
from sklearn.preprocessing import MultiLabelBinarizer
input_data = [
[0, 2, 0, 'a', 'c'],
[0, 2, 0, 'a', 'c'],
[0, 2, 0, 'a', 'c'],
[0, 1, 0, 'a', 'c'],
[1, 2, 1, 'b', 'e'],
[1, 2, 0, 'b', 'd'],
[1, 2, 0, 'a', 'e'],
[1, 2, 0, 'a', 'd'],
[1, 1, 0, 'a', 'c']
]
X = [x[0:3] for x in input_data]
y = [x[-2:] for x in input_data]
X_train = np.array(X)
y_train = np.array(y)
mlb = MultiLabelBinarizer()
y_train = mlb.fit_transform(y_train)
classifier = OneVsRestClassifier(SVC())
classifier.fit(X_train, y_train)
x_test = X_train[0]
result = classifier.predict(x_test)
labels = mlb.inverse_transform(result)
print("Result %s" % labels)