machine-learning - OneVsRestClassifier(svm.SVC()).predict() 给出连续值

Question

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。

Answer 1

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。