我有一个带有目标变量的数据集,可以有7个不同的标签。我的训练集中的每个样本只有一个目标变量的标签。
对于每个样本,我想计算每个目标标签的概率。所以我的预测将包括每行的7个概率。
在sklearn网站上,我读到了多标签分类,但这似乎不是我想要的。
我尝试了以下代码,但这只为每个样本提供了一个分类。
from sklearn.multiclass import OneVsRestClassifier
clf = OneVsRestClassifier(DecisionTreeClassifier())
clf.fit(X_train, y_train)
pred = clf.predict(X_test)
有人对此有一些建议吗?谢谢!
答案 0 :(得分:4)
您只需删除OneVsRestClassifer
并使用predict_proba
的DecisionTreeClassifier
方法即可。您可以执行以下操作:
clf = DecisionTreeClassifier()
clf.fit(X_train, y_train)
pred = clf.predict_proba(X_test)
这将为您提供7种可能类别的概率。
希望有所帮助!
答案 1 :(得分:2)
您可以尝试使用scikit-multilearn - sklearn的扩展,用于处理多标签分类。如果您的标签没有过度相关,您可以为每个标签训练一个分类器并获得所有预测 - 尝试(在 pip install scikit-multilearn 之后):
echo '<div>';
foreach ($r['result']['achievements']['0']['achievements'] as $item)
{
echo '<div class="achiev-title">'.$item['title'].'</div>
<div class="description">'.$item['description'].'</div>
<div class="criteria">';
if(!empty($item['criteria']))
{
foreach ($item['criteria'] as $item2)
{
echo '<li>'.$item2['description'].'</li>';
}
}
echo '</div></br>';
}
echo '</div>';
预测将包含大小的稀疏矩阵(n_samples,n_labels) - n_labels = 7,每列包含所有样本的每个标签的预测。
如果您的标签相关,您可能需要更复杂的方法来进行多标签分类。
免责声明:我是scikit-multilearn的作者,随时可以提出更多问题。
答案 2 :(得分:0)
如果您坚持使用def octToDec(oct):
lenOct = str(oct)
le = len(lenOct)
octal = 0
for i in (range(le)):
octal = octal + int(lenOct[i])* pow(8, le-1)
le -=1
print(octal)
octToDec(number)
,那么也可以调用OneVsRestClassifer
支持的predict_proba(X_test)
。
例如:
OneVsRestClassifer
获得结果的标签顺序可在以下位置找到:
from sklearn.multiclass import OneVsRestClassifier
clf = OneVsRestClassifier(DecisionTreeClassifier())
clf.fit(X_train, y_train)
pred = clf.predict_proba(X_test)