我尝试在数据集上使用 y_scores=OneVsRestClassifier(svm.SVC()).predict() 就像 iris 和 titanic 一样。问题是我得到的 y_scores 是连续值。就像我得到的 iris 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,它们以以下形式给出适当的结果
[[ 0 1 0]
[ 1 0 1]...
关于鸢尾花数据集的等。请帮忙。
最佳答案
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]
也许您改为调用 decision_function
(这将与您的输出维度匹配,因为预测应该返回向量,而不是矩阵)。然后,SVM返回到每个超平面的有符号距离,从数学角度来看,这就是它的决策函数。
关于machine-learning - OneVsRestClassifier(svm.SVC()).predict() 给出连续值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37113524/