python-2.7 - 尽管有两个类别，二元分类 SVM 仍给出一个类别值错误

Question

我在一些数据上使用 RBF SVM。我的 y 数据(类)如下:

print len(y),y

返回:

120 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1]

然而，当我运行此代码来绘制学习曲线时，我收到一个值错误，声称只有一个类更新:错误已有所改变，请检查注释:

from sklearn.learning_curve import learning_curve

CV = cross_validation.StratifiedKFold(y, n_folds=10, shuffle = True)


def plot_learning_curve(estimator, title, X, y, ylim=None, cv=CV,
                    n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):

    plt.figure()

    train_sizes, train_scores, test_scores = learning_curve(
       estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
    plt.grid()


    return plt






title = "Learning Curves (SVM, RBF kernel)"



plot_learning_curve(clf, title, val, y, cv=CV, n_jobs=1)

plt.show()

编辑:对代码进行一些更改后，经过一些评论，我更新了此处看到的代码

更新:现在这是错误的当前状态:

ValueError:类的数量必须大于 1；得到1

Answer 1

设法让它工作，不能说我知道错误的确切问题。但它似乎归结为 train_sizes，尽管使用 StratifiedKFold 我认为它仍然以仅包含 1 个类的测试集结束。解决这个问题的方法很简单，就是改变火车大小的值范围，直到错误不再出现!

我认为这取决于样本大小和折叠次数，因为即使您低于错误代码给出的范围(通过故意放入大于样本大小的训练大小)，它仍然可以给出上面那个错误。我猜这与样本大小不能总是完美分割有关？