实施例

Question

我正在尝试使用SKLearn来运行SVM模型。我现在只是尝试一些样本数据。这是数据和代码：

import numpy as np
from sklearn import svm
import random as random

A = np.array([[random.randint(0, 20) for i in range(2)] for i in range(10)])
lab = [0, 1, 0, 1, 0, 1, 0, 1, 0, 1]

clf = svm.SVC(kernel='linear', C=1.0)
clf.fit(A, lab)

仅供参考，我跑的时候

import sklearn
sklearn.__version__

输出0.17。

现在，当我运行print(clf.predict([1, 1]))时，我收到以下警告：

C:\Users\me\AppData\Local\Continuum\Anaconda2\lib\site-packages\sklearn\ut
ils\validation.py:386: DeprecationWarning: Passing 1d arrays as data is deprecat
ed in 0.17 and willraise ValueError in 0.19. Reshape your data either using X.re
shape(-1, 1) if your data has a single feature or X.reshape(1, -1) if it contain
s a single sample.
  DeprecationWarning)

它确实给了我一个预测，这很棒。但是，由于一些原因，我觉得这很奇怪。

我没有1d阵列。如果你打印A，你得到

array([[ 9, 12],
       [ 2, 16],
       [14, 14],
       [ 4,  2],
       [ 8,  4],
       [12,  3],
       [ 0,  0],
       [ 3, 13],
       [15, 17],
       [15, 16]])

在我看来，这是2维。但好吧，我们只是说我所拥有的实际上是一维阵列。让我们尝试使用reshape更改它，如错误所示。

与上面相同的代码，但现在我们有了

A = np.array([[random.randint(0, 20) for i in range(2)] for i in range(10)]).reshape(-1,1)

然后这会输出一个长度为20的数组，这没有任何意义，也不是我想要的。我也用reshape(1, -1)尝试了它，但是这给了我一个包含20个项目的观察/列表。

如何在numpy数组中重塑数据，以便我不会收到此警告？

我在SO上看了两个答案，但对我来说都没有用。 Question 1和Question 2。似乎Q1实际上是1D数据并且使用reshape来解决，我试过并且失败了。 Q2有一个关于如何跟踪警告和错误的答案，这不是我想要的。另一个答案是一维数组的实例。

Answer 1

错误来自预测方法。 Numpy将[1,1]解释为1d数组。所以这应该避免警告：

clf.predict(np.array([[1,1]]))

请注意：

In [14]: p1 = np.array([1,1])

In [15]: p1.shape
Out[15]: (2,)

In [16]: p2 = np.array([[1,1]])

In [17]: p2.shape
Out[17]: (1, 2)

另请注意，您不能使用形状数组（2,1）

In [21]: p3 = np.array([[1],[1]])

In [22]: p3.shape
Out[22]: (2, 1)

In [23]: clf.predict(p3)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-23-e4070c037d78> in <module>()
----> 1 clf.predict(p3)

/home/juan/anaconda3/lib/python3.5/site-packages/sklearn/svm/base.py in predict(self, X)
    566             Class labels for samples in X.
    567         """
--> 568         y = super(BaseSVC, self).predict(X)
    569         return self.classes_.take(np.asarray(y, dtype=np.intp))
    570 

/home/juan/anaconda3/lib/python3.5/site-packages/sklearn/svm/base.py in predict(self, X)
    303         y_pred : array, shape (n_samples,)
    304         """
--> 305         X = self._validate_for_predict(X)
    306         predict = self._sparse_predict if self._sparse else self._dense_predict
    307         return predict(X)

/home/juan/anaconda3/lib/python3.5/site-packages/sklearn/svm/base.py in _validate_for_predict(self, X)
    472             raise ValueError("X.shape[1] = %d should be equal to %d, "
    473                              "the number of features at training time" %
--> 474                              (n_features, self.shape_fit_[1]))
    475         return X
    476 

ValueError: X.shape[1] = 1 should be equal to 2, the number of features at training time

Answer 2

而不是运行

print(clf.predict([1, 1]))

运行

print(clf.predict([[1,1]])

Answer 3

直观的预测样本可能是：

[1,9]

但是您可以将矢量重新塑造为前一个答案。或者只是执行以下操作：

[[1,9]

实施例

将numpy导入为np 来自sklearn import svm 随机导入随机

A = np.array（[范围（2）中i为[[random.randint（0,20）]，范围（10）中为i] lab = [0,1,0,1,0,1,0,1,0,1]

clf = svm.SVC（kernel =＆＃39; linear＆＃39;，C = 1.0） clf.fit（A，lab）

print clf.predict（[[1,9]]）

尽管没有一维数组，但在Sklearn中获取1d数组的弃用警告

3 个答案:

实施例