Sklearn fbeta_score默认平均值参数不适用于多类目标变量
Sklearn是一个Python机器学习库，提供了丰富的机器学习算法和工具。fbeta_score是Sklearn库中用于计算F-beta得分的函数，用于评估分类模型的性能。
默认情况下，Sklearn的fbeta_score函数使用"binary"作为平均值参数，适用于二分类问题。对于多类目标变量，需要使用其他的平均值参数。
在Sklearn中，fbeta_score函数的平均值参数可以设置为以下几种取值：
- "binary"：适用于二分类问题，计算每个类别的F-beta得分，并返回加权平均值。
- "micro"：计算所有类别的真阳性、假阳性和假阴性的总和，并计算F-beta得分。
- "macro"：计算每个类别的F-beta得分，并返回未加权的平均值。
- "weighted"：计算每个类别的F-beta得分，并返回加权平均值，其中权重是每个类别的支持数。
- "samples"：计算每个样本的F-beta得分，并返回样本的平均值。
对于多类目标变量，通常建议使用"macro"或"weighted"作为平均值参数。"macro"平均值参数计算每个类别的F-beta得分的平均值，不考虑类别的不平衡性。"weighted"平均值参数计算每个类别的F-beta得分的加权平均值，考虑了类别的不平衡性。
腾讯云提供了丰富的人工智能和机器学习相关的产品和服务，可以用于支持Sklearn库的应用和部署。其中，腾讯云的AI Lab提供了机器学习平台和工具，可以帮助开发者进行模型训练和部署。此外，腾讯云还提供了云服务器、云数据库等基础设施服务，以及云原生和容器服务，用于支持机器学习模型的部署和运行。
更多关于腾讯云人工智能和机器学习相关产品的信息，可以参考以下链接：
请注意，以上答案仅供参考，具体的产品选择和使用需根据实际需求和情况进行评估和决策。
相关·内容
我想使用f2-score来评估我的模型，但有一个错误。 from sklearn.metrics import fbeta_score, make_scorer
ftwo_scorer = make_scorer(fbeta_score, beta=2) # beta=2 您可以看到，我使用fbeta_score和make_scorer来定义我的指标。但是，当我将此指标应用于fit时，出现错误。 from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
svc = SVC()
parameters
浏览 31提问于2021-03-31得票数 1
回答已采纳
1回答
我有一个项目，它包括在csv文件中使用kNN算法，并显示所选的度量。但是，当我试图展示一些指标时，它会抛出一些错误。
在尝试使用时：灵敏度、f1_Score和精密
灵敏度-打印(metrics.recall_score(y_test，y_pred_class))
F1_score -打印(metrics.f1_score(y_test，y_pred_class))
高级印刷(metrics.precision_score(y_test，y_pred_class))
Pycharm引发以下错误：
ValueError:目标是多类的，但平均值=‘二进制’。请选择另一个平均设置
浏览 0提问于2019-03-28得票数 0
回答已采纳
我有一个名为"quality“的连续目标变量，范围从0到10。数据集中还有11个输入变量。
当我使用sklearn的DecisionTreeClassifier()构建我的模型时，我得到了60%的分数，但是当我使用sklearn的DecisionTreeRegressor()构建我的模型时，我只获得了3%的精度，而且RMSE达到了85%。
另外，当使用线性回归时，我的R-平方值是0.376.是不是很好？
数据集链接：https://archive.ics.uci.edu/ml/datasets/Wine+Quality
我做错什么了吗？
我需要帮助。谢谢。
浏览 0提问于2019-07-14得票数 1
回答已采纳
1回答
我有一个二元分类问题，我选择了3个算法，Logistic回归，支持向量机和Adaboost。我使用网格搜索和k折叠交叉验证来寻找最优的超参数集。现在，基于准确性、精确性和召回性，我需要选择最好的型号。但问题是我找不到任何合适的方法来检索这些信息。我的代码如下：
from sklearn.model_selection import GridSearchCV
from sklearn.metrics.scorer import make_scorer
from sklearn import cross_validation
# TODO: Initialize the classifier
c
浏览 1提问于2018-09-06得票数 1
回答已采纳
我正在尝试使用sklearn的函数来计算多类问题的AUC分数。
我有形状n_samples，n_classes的预测矩阵和形状n_samples的基本事实向量，分别命名为np_pred和np_label。
我试图实现的是一组AUC分数，每个班级一个分数。
为此，我希望使用average参数选项None并将multi_class参数设置为"ovr"，但是如果我运行
roc_auc_score(y_score=np_pred, y_true=np_label, multi_class="ovr",average=None)
我回来了
ValueError: aver
浏览 1提问于2020-01-09得票数 7
回答已采纳
我有下面的代码，它正常工作，但是有一个
UserWarning: One or more of the test scores are non-finite: [nan nan]
category=UserWarning
当我将它修改成一个更简洁的版本时(如后面的代码片段所示)。单热编码器的输出是问题的罪魁祸首吗？
import pandas as pd
from sklearn.model_selection import StratifiedKFold
from sklearn.linear_model import RidgeClassifier
from sklearn.compo
浏览 7提问于2021-03-14得票数 15
回答已采纳
1回答
我使用sklearn进行了GaussianNB分类。我尝试使用以下代码计算指标：
print accuracy_score(y_test, y_pred)
print precision_score(y_test, y_pred)
精度分数正常工作，但精度分数计算显示错误如下：
ValueError:目标是多类的，但平均值=‘二进制’。请选择另一个平均值设置。
由于目标是多类的，我能得到精确性，召回等的度量分数吗？
浏览 1提问于2017-08-25得票数 39
回答已采纳
1回答
我试图预测给定一组输入变量的范畴变量，这些变量也是绝对的。目标变量和特性变量都只接受类值低于平均值，低于平均值，高于平均水平。
我在目标向量和特征向量上都使用了一次热编码，但我不确定这是否正确。
如果我有两个特征向量，我得到2x3列后，一个热编码。例如，第一个实例可能是：
X[0] = [0,1,0, 1,0,0]
指示第一个特征具有平均值(0,1,0)，第二个特征低于平均值(一千零零)，并具有相应的目标。
y[0] = [1,0,0]
指示目标低于平均值。
使用编码的X和y，我尝试这样做：
svm_clf = SVC()
svm_clf.fit(X_train, y_train)
y_
浏览 0提问于2018-03-07得票数 1
回答已采纳
我是ML及其概念的新手，我正在尝试使用sklearn实现SVR来解决房价问题。当我拟合模型时，我收到了这个错误
'type 'exceptions.ValueError'>, ValueError("Mix type of y not allowed, got types set(['continuous', 'multiclass'])",), <traceback object at 0x000000001493E388>v'
这是我的简单尝试：
import numpy as np
impo
浏览 0提问于2015-11-06得票数 0
我是python和机器学习的新手。根据我的要求，我正在尝试对我的数据集使用朴素贝叶斯算法。
我能够找出准确率，但试图找出精确度和召回率相同。但是，它抛出了以下错误：
"choose another average setting." % y_type)
ValueError: Target is multiclass but average='binary'. Please choose another average setting.
有没有人能建议我怎么做呢？我已经尝试在精度中使用average ='micro‘，recall scores.I
浏览 0提问于2018-09-11得票数 18
回答已采纳
基于这里的答案，我尝试将GridSearchCV用于多类情况：
但是我得到了值错误，multiclass format is not supported.
如何将此方法用于多类情况？
下面的代码来自上面链接中的答案。
import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
fr
浏览 0提问于2015-07-07得票数 7
回答已采纳
1回答
我编写了一个KNN计算实现，我希望StratifiedKFold检查要使用的K和距离矩阵。我得到了一个错误:它似乎不承认我的估计是一个回归(“评分”函数是回归)。
我的守则：
skf = StratifiedKFold(n_splits=10, shuffle=False, random_state=12)
NN = KnnImputation() # my own function
gridSearchNN = GridSearchCV(NN, param_grid=params, scoring='mean_squared_error', n_jobs=numIter,
浏览 2提问于2019-03-25得票数 0
回答已采纳
1回答
当我用logistic回归模型对数据使用sklearn函数roc_curve时：
roc_curve(y_test, predictions_test)
我得到了这个结果：
(array([0. , 0.1, 1. ]), array([0. , 0.865, 1. ]), array([2, 1, 0]))
In [137]:
我知道，在第三个阵列中有阈值，在第一个和第二个数组中有相应的TPR和FPR。但我一定理解为什么会有三个阈值。如何在此函数中定义阈值数？例如，当我使用logistic回归时，阈值必须是来自sigmoid函数的概率，但是这里它们是2,1,0。为什么会这样呢？
浏览 10提问于2022-01-11得票数 1
回答已采纳
我试图理解为什么我得到以下情况-我使用虹膜数据，并做交叉验证与k最近的邻居分类器，以选择最佳的k。
from sklearn.neighbors import KNeighborsClassifier
from sklearn import grid_search
from sklearn.cross_validation import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(
X, Y, test_size=0.33, random_state=42)
parameters = {&
浏览 2提问于2014-12-04得票数 2
我使用的是组合在一起的tweet的训练和测试数据集。(train.append=ignore_index=True(测试，测试))。 训练csv有手动标记的情绪：-1，0和1(基本上是否定的，中性的和积极的)，而测试没有。 我希望代码使用逻辑回归来输出f1分数，但在以下位置出现问题:使用f1_score(yvalid，prediction_int)： 我的代码如下： from sklearn.feature_extraction.text import CountVectorizer
bow_vectorizer = CountVectorizer(max_df=0.90, min_df=2
浏览 62提问于2019-04-23得票数 2
除了binary:logistic (默认目标函数)之外，是否还有其他内置的目标函数可以在中使用？
浏览 0提问于2017-08-22得票数 25
回答已采纳
我有一个VoteClassifier模型，由以下算法组成：
贝叶斯分类器
SVC
LinearSVC
NuSVC
多国旅
BernoulliNB
LogisticRegression
我训练了一些数据来获得所有可能标签的概率和概率，例如，如果我有两个标签: x和y，以及在x中重新设置特征的概率方法，那么我想知道x和y标签的结果概率。根据这个，我使用来自nltk.clssify模块的ClassifierI方法的prob_classify (documentation )函数来实现这一目标，其思想是在计算结束时，得到所有概率的平均值来表示这两个标签的最终概率，但
浏览 2提问于2020-08-01得票数 1
我知道我应该在某个地方添加average=None，但我真的不知道，目标变量是一组数字：
from sklearn.model_selection import train_test_split
trainset, testset = train_test_split(df, test_size=0.2, random_state=0)
def preprocessing(df):
X = df.drop('log_price', axis=1)
y = df['log_price']
print(y.
浏览 2提问于2020-07-19得票数 0
回答已采纳
我需要的是：
应用logistic回归分类器
使用AUC报告每级ROC。
用logistic回归的估计概率来指导我国的建设。
5倍交叉验证的培训您的模型。
为此，我的方法是使用非常好的教程：
从他的想法和方法上，我简单地改变了我获得原始数据的方式：
df = pd.read_csv(
filepath_or_buffer='https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data',
header=None,
sep=','
浏览 0提问于2019-05-02得票数 7
回答已采纳
1回答
首先是代码片段：
## Packages
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import fbeta_score
from imblearn.over_sampling import RandomOverSampler
from sklearn.datasets import make_classification
## Create dataset
class_weight = list([0.90])
X, Y =
浏览 0提问于2020-05-25得票数 0
在布尔监督分类器上用sklearn.model_selection.learning_curve()绘制学习曲线时，默认显示加权f1评分。
但是我想为一个特定的类绘制f1分数。在这种情况下，正(即: 1)类。
在下面的上下文中(来自sklearn.metrics.classification_report)，它正在绘制avg / total，但我想为类1绘制度量标准。
图
码
...
estimator = classifier_class()
cv = ShuffleSplit(n_splits=10, test_size=0.2, random_state=0)
tra
浏览 0提问于2019-04-10得票数 1
1回答
我正在尝试使用GridSearchCV来解决我的多类问题。首先，想要在KNeighborsClassifier上进行测试。
首先，下面是我定义使用GridSearchCV的函数的代码：
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import KFold
def grid_search(estimator, parameters, X, y):
scoring = ['accuracy', 'precision', 'recall&#
浏览 0提问于2020-11-15得票数 0
我想使用sklearn.metrics.recall_score来评估二值图像分割任务的召回率。这样做是可行的：
threshold = 0.5
predicted_mask = (probability_map > threshold).astype(np.int)
actual_mask = actual_mask.astype(np.int)
result = recall_score(actual_mask.flatten(), predicted_mask.flatten())
然而，这一点：
result = recall_score(actual_mask, predict
浏览 2提问于2021-03-05得票数 1
回答已采纳
1回答
我正在参加Kaggle犯罪竞赛，目前我正在尝试多个不同的分类器来测试基准性能。我使用的是sklearn的LogisticRegressionClassifier，没有任何参数调整，我从sklearn.metrict.classification_report中注意到，它只是在预测主要的类，即在我的训练集中出现次数最多的类。
直觉告诉我，这必须进行参数调优，但我不确定为了使分类器更清楚地知道不太占优势的类( LogisticRegressionClassifier有相当多的类)，必须每周调整哪些参数。目前，它只预测从38个或类似的3类，所以它肯定需要改进。
有什么想法吗？
浏览 2提问于2015-12-16得票数 0
回答已采纳
1回答
我有三级分类问题。
我的预测标签包括所有三个类别。
然而，我的目标标签只有两个在三个类中。
例如：
predicted = [1,1,2,3,2,1]
target = [1,1,2,2,2,1]
在这种情况下，我应该如何计算F1分数呢？
我目前正在使用sklearn的f1_score函数和macro平均值。
但这会导致上述情况下的F1分数偏低。
浏览 0提问于2021-08-15得票数 1
回答已采纳
我正在努力学习如何为分类器找到最佳参数。因此，我使用GridSearchCV来解决多类分类问题。在上生成了一个虚拟代码--我只是将该代码与n_classes=3一起使用。
import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler,label_binarize
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
from sklear
浏览 0提问于2018-06-08得票数 3
1回答
我正在研究一个多类分类器，目标列上有6个类，我正在考虑对类进行热编码，这样就有了6个目标列。这会否提高效率？我正在使用sklearn。
L.E:与单纯的标签编码相比，提高效率
浏览 0提问于2021-01-05得票数 0
回答已采纳
我正在尝试执行以下代码：
from sklearn.ensemble import RandomForestClassifier
import numpy as np
from sklearn.model_selection import cross_validate
from sklearn.metrics import fbeta_score, make_scorer
import keras.backend as K
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train
浏览 3提问于2021-12-15得票数 -1
与OneVsRestClassifier的分类目标和一热编码目标之间的概率有一点混淆。以简单logistic回归的虹膜数据为例。当我使用最初的虹膜类0，1，2时，计算出的每次观测的OneVsRestClassifier()概率总是等于1。但是，如果我将目标转换成虚拟的，情况就不是这样了。据我所知，OneVsRestClassifier()比较了1与rest ( 0类与非0级、1类与非1类等)。更有道理的是，这些概率之和与1没有关系。那么，为什么我看到了差异，怎么会这样呢？
import numpy as np
import pandas as pd
from sklearn.multiclas
浏览 0提问于2021-09-14得票数 1
回答已采纳
我正在尝试从许多连续的特征中预测一个二元(分类)目标，并希望在进入模型拟合之前缩小您的特征空间。我注意到SKLearn的特征选择包中的SelectKBest类在虹膜数据集上有以下示例(它也是从连续的特征中预测一个二元目标)：
from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
iris = load_iris()
X, y = iris.data, iris.target
X.shap
浏览 0提问于2018-04-16得票数 5
我在哪里可以找到监督分类机器学习的分类因变量的例子？
例如：
蜥蜴为昆虫，苍蝇为昆虫，蚊子为昆虫，猴子为哺乳动物，熊为哺乳动物，鲨鱼为鱼，格皮为鱼，芬兰为国家，美国为国家，日本为国家，苹果公司为公司，伯克希尔哈撒韦公司作为公司，默克公司，公司.
我已经采取了Udemy机器学习all和所有的场景是只有2个因变量(是或否，1或0)。任何人都知道在哪里可以找到Python代码或学习示例，以便将文本分类为国家、公司、昆虫等。两个以上的因变量？
谢谢
@David Dale，我试过：
import numpy as np
import pandas as pd
dataset = pd.read_cs
浏览 5提问于2017-10-31得票数 0
我有一个包含两个文本列的dataframe，并将它们转换为一个列表。我也把火车和测试数据分开了。但是，在建立基本模型时，TfidfVectorizer抛出了一个'list‘对象没有属性'lower’的错误
这是代码
X['ItemDescription']= X['ItemDescription'].str.lower()
X['DiagnosisOne'] = X['DiagnosisOne'].str.lower()
from sklearn.model_selection i
浏览 0提问于2022-03-20得票数 0
因此，我正在学习并尝试实现一个GridSearch。我有一个关于以下代码的问题，我写了这些代码：
from sklearn.metrics import make_scorer
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV
dtc = DecisionTreeClassifier(random_state = 42, max_features = "auto", class_weight = "balanced")
浏览 0提问于2021-06-23得票数 2
回答已采纳
我试过使用Keras给出的代码，然后才被删除。下面是代码：
def precision(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
precision = true_positives / (predicted_positives + K.epsilon())
return precision
def recall(y_true,
浏览 9提问于2017-04-21得票数 45
回答已采纳
我想在ubuntu上编译我的python3代码，也想知道这个问题，这样以后我就可以处理这个问题了。
导入的库函数似乎存在一些问题。
## sample code
1 import numpy as np
2 x = np.array([[-1,-1],[-2,-1],[-3,-2],[1,1],[2,1],[3,2]])
3 y = np.array([1,1,1,2,2,2])
4 from sklearn.naive_bayes import GaussianNB
5 clf = GaussianNB(x, y)
6 clf = clf.fit(x,y) ###showing
浏览 0提问于2019-04-15得票数 2
回答已采纳
我正在尝试通过一个XGBoost运行一个与TFIDF和GridSearchCV分类器一起运行的sklearn管道，但是由于内部错误，它无法工作。数据为4000个句子，标记为真或假(1或0)。这是代码：
import numpy as np
import pandas as pd
from gensim import utils
import gensim.parsing.preprocessing as gsp
from sklearn.pipeline import Pipeline
from sklearn.base import BaseEstimator
from sklearn
浏览 2提问于2021-03-26得票数 0
回答已采纳
我使用包preprocessing sklearn对数据进行规范化，如下所示：
import pandas as pd
import urllib3
from sklearn import preprocessing
decathlon = pd.read_csv("https://raw.githubusercontent.com/leanhdung1994/Deep-Learning/main/decathlon.txt", sep='\t')
decathlon.describe()
nor_df = decathlon.copy()
nor_df.i
浏览 1提问于2020-10-27得票数 2
回答已采纳
1回答
多输出回归
、、、
在过去的几周里，我一直在关注多输出回归。我正在与科学学习包一起工作。我的机器学习问题有三个特性的输入，需要预测两个输出变量。sklearn软件包中的一些ML模型支持多输出回归。如果模型不支持这一点，可以使用sklearn多输出回归算法对其进行转换。类适合每个目标的一个回归器。
多输出回归器类或支持的多输出回归算法是否考虑到了输入变量的潜在关系？
应该使用神经网络来代替多输出回归算法吗？
浏览 0提问于2018-03-20得票数 11
1回答
我有一个分类问题，我希望在sklearn中使用roc_auc值来获得cross_validate值。我的代码如下。
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
y = iris.target
from sklearn.ensemble import RandomForestClassifier
clf=RandomForestClassifier(random_state = 0, class_weig
浏览 2提问于2020-03-24得票数 2
回答已采纳
我正在研究一个分类问题，在这个问题上，我有一个不平衡的数据集，我对高精度感兴趣。
因此，我想将XGBoost的目标函数改为允许我更加重视精度的东西。似乎就是这样做的，但我有一个问题：
model_xgbm = XGBClassifier(objective=fbeta_score)
random_search = RandomizedSearchCV(model_xgbm, param_distributions=param_dist, n_iter=n_iter_search,
scoring='average_preci
浏览 1提问于2016-12-09得票数 0
1回答
我正在测试梯度提升回归器从滑雪板，时间序列预测噪音数据(货币市场)。
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html
令人惊讶的是，梯度增强回归器在训练数据上达到了很高的精度--这让人吃惊，因为数据太吵了。但是，它在测试集上表现很差。
这显然是过度拟合的情况，所以我想知道我可以改变哪些参数来正则化梯度增强回归。
到目前为止，我已经尝试了max_depth，将其减少到1(从默认的3)。在提高验证集的准确性方面，这似乎非常有效。
有人知道我可以调整哪些
浏览 0提问于2019-11-18得票数 1
回答已采纳
我正在使用以下代码生成一个模型：
from sklearn.linear_model import SGDClassifier
text_clf = OnlinePipeline([('vect', HashingVectorizer()),
('clf-svm', SGDClassifier(loss='log', penalty='l2', alpha=1e-3, max_iter=5, random_state=None)),
])
当我使用以下命令导出此模型时：
from sklearn.externals import
浏览 3提问于2018-11-28得票数 0
我正在尝试使用高斯朴素贝叶斯“分类器”来预测经济周期。
数据(输入X)：
SPY Interest Rate Unemployment Employment CPI
Date
1997-01-02 56.05 7.82 9.7 3399.9 159.100
1997-02-03 56.58 7.65 9.8 3402.8 159.600
1997-03-03 54.09 7.9
浏览 1提问于2016-03-15得票数 31
2回答
我想用32个预测的蒙版图像和32个真实的蒙版图像做f1评分。我的数据有以下特点：
predicted.shape [32,512,512]
true.shape [32,512,512]
type_of_target(predicted) Unknown
type_of_target(true) Unknown
type_of_target(predicted[0]) Continuous-multioutput
type_of_target(true[0]) Continuous-multioutput
当我运行这一行f1_score(true，
浏览 0提问于2020-04-26得票数 1
2回答
我正在尝试对一个数据集运行几个机器学习算法，以预测工资/收入是大于50k还是小于等于50k。我制作了一个函数，并将值传递给它，使用不同大小的样本集，包括1%的样本，10%的样本和100%的样本。我得到一个未知错误‘未知标签类型：’连续-多输出‘’我不知道这个错误是什么。 我试着改变我使用的分类算法，但没有用。它为所有算法显示相同的错误。 from sklearn.metrics import fbeta_score, accuracy_score
def train_predict (learner, sample_size, X_train, X_test, y_train, y_tes
浏览 104提问于2019-05-30得票数 0
回答已采纳
我正在处理一个关于二进制分类问题的非常不平衡的数据集(~5%)。我是管道打击和随机森林分类器，使我的过度抽样发生在一个GridSearch简历循环(如建议的)。您可以在下面看到我的实现：
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from imblearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchCV, StratifiedKFold
s
浏览 0提问于2018-07-23得票数 2
回答已采纳
1回答
线性回归模型的问题
、、、
我有一个我创建的DataFrame，使用篮球参考中的数据，我得到每个特征的平均值。DataFrame Data不管我用哪一列来训练我的线性模型，我的R2分数接近于0，预测很糟糕。 import pandas as pd
import numpy as np
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import r2_score
import math
percent=math.floor(len(df)*0.80)
X=df
浏览 19提问于2020-08-06得票数 0
我正在使用sklearn Random Forrest来训练我的模型。使用与模型相同的输入特性，我首先尝试使用label_binarize传递目标标签，以创建目标标签的热编码，然后尝试使用label_encoder对目标标签进行编码。在这两种情况下，我得到了不同的准确率分数。有没有发生这种情况的具体原因，因为我只是使用了一种不同的方法来编码标签，而不更改任何输入特征。
浏览 22提问于2020-05-18得票数 0
回答已采纳
在sklearn.cross_decomposition.PLSRegression中，我们可以使用x_scores_从X数组中获得潜在变量得分。
我想提取负载来计算新数组W的潜在变量分数。直观地说，我应该做的是：scores = W*loadings (矩阵乘法)。我尝试使用x_loadings_、x_weights_和x_rotations_作为加载，因为我不能确定哪个数组是好的( sklearn网站上几乎没有什么信息)。在乘以负载之前，我还尝试标准化W (减去平均值并除以X的标准差)。但是这些方法都不起作用(我尝试使用X数组，但无法获得与x_scores_数组相同的分数)。
对此有什么帮
浏览 3提问于2020-08-07得票数 0
我想在RandomForestClassifier中执行GridSearchCV，但是数据不平衡，所以我使用StratifiedKFold：
from sklearn.model_selection import StratifiedKFold
from sklearn.grid_search import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
param_grid = {'n_estimators':[10, 30, 100, 300], "max_depth": [
浏览 2提问于2016-10-26得票数 9
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
