Scikit-Learn：所有训练示例中都存在标签 not x
Scikit-Learn: Label not x is present in all training examples
我正在尝试使用 SVM 进行多标签分类。
我有近 8k 个特征，也有长度接近 400 的 y 向量。我已经有二值化的 Y 向量，所以我没有使用 MultiLabelBinarizer() 但是当我将它与我的 Y 数据的原始形式一起使用时，它仍然给出相同的结果东西。
我是运行这个代码：
X = np.genfromtxt('data_X', delimiter=";")
Y = np.genfromtxt('data_y', delimiter=";")
training_X = X[:2600,:]
training_y = Y[:2600,:]
test_sample = X[2600:2601,:]
test_result = Y[2600:2601,:]
classif = OneVsRestClassifier(SVC(kernel='rbf'))
classif.fit(training_X, training_y)
print(classif.predict(test_sample))
print(test_result)
在涉及到预测部分的所有拟合过程之后，它说 Label not x is present in all training examples（x 是我的 y 向量长度范围内的几个不同数字，即 400）。之后，它给出预测的 y 向量，它始终是长度为 400（y 向量长度）的零向量。
我是 scikit-learn 和机器学习的新手。我无法弄清楚这里的问题。有什么问题，我应该怎么做才能解决它？
谢谢
这里有两个问题：
1) 缺少标签警告
2) 您得到的预测全为 0
该警告意味着训练数据中缺少您的某些 classes。这是一个常见问题。如果您有 400 个 classes，那么其中一些肯定很少出现，并且在数据的任何拆分中，拆分的一侧可能会丢失一些 classes。也可能有 class 根本不会出现在您的数据中。您可以尝试 Y.sum(axis=0).all()，如果它为 False，那么即使在 Y 中也不会出现一些 classes。这一切听起来很可怕，但实际上，您将无法正确预测 classes 无论如何都会出现 0 次、1 次或任何非常小的次数，因此为这些预测 0 可能是你能做的最好的事情。
至于全 0 预测，我要指出的是，对于 400 个 classes，可能所有 classes 出现的次数都不到一半。您可以检查 Y.mean(axis=0).max() 以获得最高的标签频率。 400 classes，可能只有百分之几。如果是这样，必须对每个 class 进行 0-1 预测的二进制 classifier 可能会为所有实例上的所有 class 选择 0。这并不是真正的错误，只是因为所有 class 频率都很低。
如果您知道每个实例都有一个正标签（至少一个），您可以获取决策值 (clf.decision_function) 并为每个实例选择最高的 class。不过，您必须编写一些代码才能做到这一点。
我曾经在与此类似的 Kaggle 比赛中获得前 10 名。这是一个多标签问题，有 ~200 class 个，none 个问题的发生频率甚至为 10%，我们需要 0-1 的预测。在那种情况下，我得到了决策值并取了最高值，加上任何高于阈值的值。我选择了在保留集上效果最好的阈值。该条目的代码位于 Github: Kaggle Greek Media code。你可以看看它。
如果您读到了这里，感谢您的阅读。希望对您有所帮助。
我正在尝试使用 SVM 进行多标签分类。
我有近 8k 个特征，也有长度接近 400 的 y 向量。我已经有二值化的 Y 向量，所以我没有使用 MultiLabelBinarizer() 但是当我将它与我的 Y 数据的原始形式一起使用时，它仍然给出相同的结果东西。
我是运行这个代码：
X = np.genfromtxt('data_X', delimiter=";")
Y = np.genfromtxt('data_y', delimiter=";")
training_X = X[:2600,:]
training_y = Y[:2600,:]
test_sample = X[2600:2601,:]
test_result = Y[2600:2601,:]
classif = OneVsRestClassifier(SVC(kernel='rbf'))
classif.fit(training_X, training_y)
print(classif.predict(test_sample))
print(test_result)
在涉及到预测部分的所有拟合过程之后，它说 Label not x is present in all training examples（x 是我的 y 向量长度范围内的几个不同数字，即 400）。之后，它给出预测的 y 向量，它始终是长度为 400（y 向量长度）的零向量。
我是 scikit-learn 和机器学习的新手。我无法弄清楚这里的问题。有什么问题，我应该怎么做才能解决它？
谢谢
这里有两个问题：
1) 缺少标签警告
2) 您得到的预测全为 0
该警告意味着训练数据中缺少您的某些 classes。这是一个常见问题。如果您有 400 个 classes，那么其中一些肯定很少出现，并且在数据的任何拆分中，拆分的一侧可能会丢失一些 classes。也可能有 class 根本不会出现在您的数据中。您可以尝试 Y.sum(axis=0).all()，如果它为 False，那么即使在 Y 中也不会出现一些 classes。这一切听起来很可怕，但实际上，您将无法正确预测 classes 无论如何都会出现 0 次、1 次或任何非常小的次数，因此为这些预测 0 可能是你能做的最好的事情。
至于全 0 预测，我要指出的是，对于 400 个 classes，可能所有 classes 出现的次数都不到一半。您可以检查 Y.mean(axis=0).max() 以获得最高的标签频率。 400 classes，可能只有百分之几。如果是这样，必须对每个 class 进行 0-1 预测的二进制 classifier 可能会为所有实例上的所有 class 选择 0。这并不是真正的错误，只是因为所有 class 频率都很低。
如果您知道每个实例都有一个正标签（至少一个），您可以获取决策值 (clf.decision_function) 并为每个实例选择最高的 class。不过，您必须编写一些代码才能做到这一点。
我曾经在与此类似的 Kaggle 比赛中获得前 10 名。这是一个多标签问题，有 ~200 class 个，none 个问题的发生频率甚至为 10%，我们需要 0-1 的预测。在那种情况下，我得到了决策值并取了最高值，加上任何高于阈值的值。我选择了在保留集上效果最好的阈值。该条目的代码位于 Github: Kaggle Greek Media code。你可以看看它。
如果您读到了这里，感谢您的阅读。希望对您有所帮助。