python – sklearn SVM表现非常糟糕
我有9164分,其中4303被标记为我想要预测的类,4861被标记为不是该类.它们没有重复点.
在How to split into train,test and evaluation sets in sklearn?之后,由于我的数据集是3个项目(id,vector,label)的元组,我这样做: df = pd.DataFrame(dataset) train,validate,test = np.split(df.sample(frac=1),[int(.6*len(df)),int(.8*len(df))]) train_labels = construct_labels(train) train_data = construct_data(train) test_labels = construct_labels(test) test_data = construct_data(test) def predict_labels(test_data,classifier): labels = [] for test_d in test_data: labels.append(classifier.predict([test_d])) return np.array(labels) def construct_labels(df): labels = [] for index,row in df.iterrows(): if row[2] == 'Trump': labels.append('Atomium') else: labels.append('Not Trump') return np.array(labels) def construct_data(df): first_row = df.iloc[0] data = np.array([first_row[1]]) for index,row in df.iterrows(): if first_row[0] != row[0]: data = np.concatenate((data,np.array([row[1]])),axis=0) return data 然后: >>> classifier = SVC(verbose=True) >>> classifier.fit(train_data,train_labels) [LibSVM].......*..* optimization finished,#iter = 9565 obj = -2718.376533,rho = 0.132062 nSV = 5497,nBSV = 2550 Total nSV = 5497 SVC(C=1.0,cache_size=200,class_weight=None,coef0=0.0,decision_function_shape=None,degree=3,gamma='auto',kernel='rbf',max_iter=-1,probability=False,random_state=None,shrinking=True,tol=0.001,verbose=True) >>> predicted_labels = predict_labels(test_data,classifier) >>> for p,t in zip(predicted_labels,test_labels): ... if p == t: ... correct = correct + 1 并且我在1833年只得到正确的943个标签(= len(test_labels)) – > (943 * 100/1843 = 51.4%) 我怀疑我在这里错过了一些重要的时间,也许我应该将parameter设置为分类器以进行更精致的工作或其他什么? 注意:第一次在这里使用SVM,所以你可能认为理所当然,我甚至可能没想到…… 尝试: 我去了,并将负面例子的数量减少到4303(与正例相同).这略微提高了准确性. 在答案后编辑: >>> print(clf.best_estimator_) SVC(C=1000.0,class_weight='balanced',gamma=0.0001,verbose=False) >>> classifier = SVC(C=1000.0,... decision_function_shape=None,... max_iter=-1,... tol=0.001,verbose=False) >>> classifier.fit(train_data,train_labels) SVC(C=1000.0,verbose=False) 我也尝试了clf.fit(train_data,train_labels),它也执行了相同的操作. 用数据编辑(数据不是随机的): >>> train_data[0] array([ 20.21062112,27.924016,137.13815308,130.97432804,... # there are 256 coordinates in total 67.76352596,56.67798138,104.89566517,10.02616417]) >>> train_labels[0] 'Not Trump' >>> train_labels[1] 'Trump' 解决方法
scikit-learn中的大多数估计器(例如SVC)都是使用许多输入参数启动的,也称为超参数.根据您的数据,您必须在初始化期间确定要作为输入传递给估算器的内容.如果您查看scikit-learn中的SVC文档,您会看到它可以使用几个不同的输入参数进行初始化.
为简单起见,让我们考虑内核,它可以是’rbf’或’linear'(在其他一些选择中);和C这是一个惩罚参数,你想为C尝试值0.01,0.1,1,10,100.这将导致创建和评估10种不同的可能模型. 一个简单的解决方案是编写两个嵌套的for循环,一个用于内核,另一个用于C,并创建10个可能的模型,并查看哪个是最好的模型.但是,如果你有几个超级参数需要调优,那么你必须编写几个嵌套的for循环,这可能很乏味. 幸运的是,scikit learn有一种更好的方法可以根据超模型的不同值组合创建不同的模型,并选择最佳模型.为此,您使用GridSearchCV. GridSearchCV使用两个东西进行初始化:估计器的实例,超参数字典和要检查的所需值.然后,它将运行并创建所有可能的模型,给定超参数的选择并找到最佳的模型,因此您不需要编写任何嵌套的for循环.这是一个例子: from sklearn.grid_search import GridSearchCV print("Fitting the classifier to the training set") param_grid = {'C': [0.01,100],'kernel': ['rbf','linear']} clf = GridSearchCV(SVC(class_weight='balanced'),param_grid) clf = clf.fit(train_data,train_labels) print("Best estimator found by grid search:") print(clf.best_estimator_) 您将需要使用与此示例类似的内容,并使用不同的超参数.如果您的超参数有很多种值,那么您很有可能会以这种方式找到更好的模型. 然而,GridSearchCV可能需要很长时间才能创建所有这些模型以找到最佳模型.更实际的方法是使用RandomizedSearchCV,它随机创建所有可能模型的子集(使用超参数).如果你有很多超参数,它应该运行得更快,它的最佳模型通常都很好. (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |
- python – 如何确定在Pandas DataFrame中将哪些列设置为索引
- python – TypeError:类型为’float’的参数不可迭代
- python – Django queryset:切片后的聚合查询集不起作用
- python表格存取的方法
- 【python】RuntimeError: Lock objects should only be sha
- Python中的API调用身份验证(使用PHP示例)
- python – 使用正则表达式替换命令在文件名字符串中的小于1
- python – Unicode SendKeys Alternative(任何编程语言)
- 为什么不能用Python重新导入?
- python – Django QuerySet:限制某些字段的结果分组