Question

我试图在数据集上使用y_scores = OneVsRestClassifier（svm.SVC（））。predict（）像虹膜和泰坦尼克一样。麻烦的是我得到的y_scores是连续的值。就像我得到的虹膜数据集一样：

[[ -3.70047231  -0.74209097   2.29720159]
 [ -1.93190155   0.69106231  -2.24974856]
.....

我正在将OneVsRestClassifier用于其他分类器模型，例如knn，randomforest，朴素贝叶斯，并且它们以

的形式给出了适当的结果

[[ 0  1   0]
 [ 1   0  1]...

虹膜数据集上的

等。请帮助。

Answer 1

嗯，这根本不是真的。

>>> from sklearn.multiclass import OneVsRestClassifier
>>> from sklearn.svm import SVC
>>> from sklearn.datasets import load_iris
>>> iris = load_iris()
>>> clf = OneVsRestClassifier(SVC())
>>> clf.fit(iris['data'], iris['target'])
OneVsRestClassifier(estimator=SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
  kernel='rbf', max_iter=-1, probability=False, random_state=None,
  shrinking=True, tol=0.001, verbose=False),
          n_jobs=1)
>>> print clf.predict(iris['data'])
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 2 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]

也许你改为调用decision_function（这会匹配你的输出维度，因为预测应该返回一个向量，而不是一个矩阵）。然后，SVM返回到每个超平面的有符号距离，这是从数学角度看它的决策函数。

OneVsRestClassifier（svm.SVC（））。predict（）给出连续值

1 个答案: