Scikit-learn GridSearch donner “ValueError: multiclass format n'est pas pris en charge” erreur
Je suis en train d'utiliser GridSearch pour l'estimation des paramètres de LinearSVC() comme suit -
clf_SVM = LinearSVC()
params = {
'C': [0.5, 1.0, 1.5],
'tol': [1e-3, 1e-4, 1e-5],
'multi_class': ['ovr', 'crammer_singer'],
}
gs = GridSearchCV(clf_SVM, params, cv=5, scoring='roc_auc')
gs.fit(corpus1, y)
corpus1 a la forme (1726, 7001) et y a de la forme (1726,)
C'est un multiclasse, et y a des valeurs de 0 à 3, à la fois inclusive, c'est à dire il y a quatre classes.
Mais ce qui me donne l'erreur suivante -
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-220-0c627bda0543> in <module>()
5 }
6 gs = GridSearchCV(clf_SVM, params, cv=5, scoring='roc_auc')
----> 7 gs.fit(corpus1, y)
/usr/local/lib/python2.7/dist-packages/sklearn/grid_search.pyc in fit(self, X, y)
594
595 """
--> 596 return self._fit(X, y, ParameterGrid(self.param_grid))
597
598
/usr/local/lib/python2.7/dist-packages/sklearn/grid_search.pyc in _fit(self, X, y, parameter_iterable)
376 train, test, self.verbose, parameters,
377 self.fit_params, return_parameters=True)
--> 378 for parameters in parameter_iterable
379 for train, test in cv)
380
/usr/local/lib/python2.7/dist-packages/sklearn/externals/joblib/parallel.pyc in __call__(self, iterable)
651 self._iterating = True
652 for function, args, kwargs in iterable:
--> 653 self.dispatch(function, args, kwargs)
654
655 if pre_dispatch == "all" or n_jobs == 1:
/usr/local/lib/python2.7/dist-packages/sklearn/externals/joblib/parallel.pyc in dispatch(self, func, args, kwargs)
398 """
399 if self._pool is None:
--> 400 job = ImmediateApply(func, args, kwargs)
401 index = len(self._jobs)
402 if not _verbosity_filter(index, self.verbose):
/usr/local/lib/python2.7/dist-packages/sklearn/externals/joblib/parallel.pyc in __init__(self, func, args, kwargs)
136 # Don't delay the application, to avoid keeping the input
137 # arguments in memory
--> 138 self.results = func(*args, **kwargs)
139
140 def get(self):
/usr/local/lib/python2.7/dist-packages/sklearn/cross_validation.pyc in _fit_and_score(estimator, X, y, scorer, train, test, verbose, parameters, fit_params, return_train_score, return_parameters)
1238 else:
1239 estimator.fit(X_train, y_train, **fit_params)
-> 1240 test_score = _score(estimator, X_test, y_test, scorer)
1241 if return_train_score:
1242 train_score = _score(estimator, X_train, y_train, scorer)
/usr/local/lib/python2.7/dist-packages/sklearn/cross_validation.pyc in _score(estimator, X_test, y_test, scorer)
1294 score = scorer(estimator, X_test)
1295 else:
-> 1296 score = scorer(estimator, X_test, y_test)
1297 if not isinstance(score, numbers.Number):
1298 raise ValueError("scoring must return a number, got %s (%s) instead."
/usr/local/lib/python2.7/dist-packages/sklearn/metrics/scorer.pyc in __call__(self, clf, X, y)
136 y_type = type_of_target(y)
137 if y_type not in ("binary", "multilabel-indicator"):
--> 138 raise ValueError("{0} format is not supported".format(y_type))
139
140 try:
ValueError: multiclass format is not supported
pouvez-vous imprimer les formes de vos variables utilisées dans .ajustement
corpus1 a la forme (1726, 7001) et y a de la forme (1726,)
corpus1 a la forme (1726, 7001) et y a de la forme (1726,)
OriginalL'auteur theharshest | 2014-10-06
Vous devez vous connecter pour publier un commentaire.
à partir de:
http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html#sklearn.metrics.roc_auc_score
"Remarque: cette mise en œuvre est limitée à la classification binaire tâche ou multilabel tâche de classification de l'étiquette de l'indicateur de format."
essayer:
avant que vous vous entraînez. cela permettra d'effectuer un "one-hot" de l'encodage de votre y.
votre forme est maintenant (1380,4)? la transformée de y doit être (1726,4)
faire tous les 4 classes existent dans votre variable y?
oui, voir les 30 premières lignes ici - gist.github.com/anonymous/1f4104459f8d11b476f6
OriginalL'auteur user1269942
Comme il a été souligné, vous devez d'abord binariser
y
et ensuite utiliser un multiclass algorithme d'apprentissage comme
OneVsRestClassifier
ouOneVsOneClassifier
. Par exemple:OriginalL'auteur Jordi Colomer
Supprimer
scoring='roc_auc'
et il fonctionnera commeroc_auc
courbe ne prend pas en charge les données catégorielles.OriginalL'auteur Nipun kumar goel