Ошибка значения при проведении SVM в Python - PullRequest
Новая
       22

Ошибка значения при проведении SVM в Python

0 голосов
/ 11 ноября 2019

Я пытаюсь запустить линейное ядро ​​SVM, используя сгенерированный набор данных. В моем наборе данных 5000 строк и 4 столбца: 

CL_scaled.head()[screenshot of data frame][1]

Я разбил данные на 20% теста и 80% обучения: 

train, test = train_test_split(CL_scaled, test_size=0.2)

и получил форму (4000,4)для поезда и (1000,4) для теста

Однако, когда я запускаю svm на данных обучения и тестирования, я получаю следующую ошибку: 

svclassifier = SVC(kernel='linear', C = 5)
svclassifier.fit(train, test)
ValueError                                Traceback (most recent call last)
<ipython-input-81-4c4a7bdcbe85> in <module>

----> 1 svclassifier.fit(train, test)

~/anaconda3/lib/python3.7/site-packages/sklearn/svm/base.py in fit(self, X, y, sample_weight)
    144         X, y = check_X_y(X, y, dtype=np.float64,
    145                          order='C', accept_sparse='csr',
--> 146                          accept_large_sparse=False)
    147         y = self._validate_targets(y)
    148 

~/anaconda3/lib/python3.7/site-packages/sklearn/utils/validation.py in check_X_y(X, y, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, warn_on_dtype, estimator)
    722                         dtype=None)
    723     else:
--> 724         y = column_or_1d(y, warn=True)
    725         _assert_all_finite(y)
    726     if y_numeric and y.dtype.kind == 'O':

~/anaconda3/lib/python3.7/site-packages/sklearn/utils/validation.py in column_or_1d(y, warn)
    758         return np.ravel(y)
    759 
--> 760     raise ValueError("bad input shape {0}".format(shape))
    761 
    762 

ValueError: bad input shape (1000, 4)

Может кто-нибудь, пожалуйста, дайте мнезнаете, что не так с моим кодом или данными? Заранее спасибо! 

 train.head()
                 0         1             2            3 
    2004    1.619999    1.049560    1.470708    -1.323666
    1583    1.389370    -0.788002   -0.320337   -0.898712
    1898    -1.436903   0.994719    0.326256    0.495565
     892    1.419123    1.522091    1.378514    -1.731400
     4619   0.063095    1.527875    -1.285816   -0.823347

test.head()
            0           1           2         3
1118    -1.152435   -0.484851   -0.996602   1.617749
4347    -0.519430   -0.479388   1.483582    -0.413985
2220    -0.966766   -1.459475   -0.827581   0.849729
 204    1.759567    -0.113363   -1.618555   -1.383653
3578    0.329069    1.151323    -0.652328   1.666561


print(test.shape)
print(train.shape)
(1000, 4)
(4000, 4)

Ответы [ 2 ]

1 голос
/ 11 ноября 2019

Ошибка из-за train, test = train_test_split(CL_scaled, test_size=0.2)

Первым делом вам необходимо разделить данные и выходную переменную и передать их в train_test_split. 

# I am assuming your last column is output variable
train_test_split(CL_scaled[:-1], CL_scaled[-1], test_size=0.2).

И train_test_split разбивает вашданные на 4 части X_train, X_test, y_train, y_test

Furthormore, svclassifier.fit принимает независимые от параметров переменные и выходные переменные. Таким образом, вам нужно передать X_train и y_train

Таким образом, ваш код должен быть 

X_train, X_test, y_train, y_test = train_test_split(CL_scaled[:-1], CL_scaled[-1], test_size=0.2)

svclassifier = SVC(kernel='linear', C = 5)

svclassifier.fit(X_train, y_train)

Для получения более подробной информации см. Документация

0 голосов
/ 11 ноября 2019

Вам не хватает базовой концепции контролируемого машинного обучения.

В задаче классификации у вас есть особенности X , и с их помощью вы хотите предсказать класс Y ,Например, это может выглядеть так: 

X                    y
Height Weight        class
170    50            1
180    60            1
10     10            0

Идея алгоритмов состоит в том, что они имеют тренировочную часть (вы идете на тренировку по футболу, чтобы тренироваться) и тестовую часть (вы проверяете свои навыки на поле. по выходным).

Поэтому вам нужно разделить ваши данные на тренировочные и тестовые наборы. 

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(CL_scaled[:-1], CL_scaled[-1], test_size=0.2)

CL_scaled[:-1] - это ваш X, а CL_scalded[-1] - это ваш Y.

Затем вы используете это, чтобы соответствовать вашему классификатору (обучающая часть): 

svclassifier = SVC(kernel='linear', C = 5)
svclassifier.fit(X_train, y_train)

И затем вы можете проверить это: 

prediction = svcclassifier.predict(X_test, y_test)

Это вернет ваш прогноз дляваша тестовая часть (y_predict), и вы можете сравнить ее с вашим y_test.

...