python - sklearn sgdclassifier 的多输出预测？

Question

我确实创建了一个与此类似的 scikit 模型。但现在我想提取两个输出。我不知道在训练时如何通过这个。我确实尝试过类似于Keras。 [y,z] 作为列表。但它在 scikit 中不起作用。以前有人尝试过吗？

import numpy as np
from sklearn import linear_model
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
Y = np.array([1, 1, 2, 2])
Z = np.array([1, 1, 2, 2])
clf = linear_model.SGDClassifier(max_iter=1000)
clf.fit(X, [Y, Z])

输出:

ValueError: bad input shape (2, 4)

Answer 1

首先，你的目标[Y, Z]并不是你想象的那样:

[Y, Z]
# [array([1, 1, 2, 2]), array([1, 1, 2, 2])]

可以说，您想要的内容应该像您的 X 一样有四行，即

W = np.array([[1, 1], [1, 1], [2, 2], [2, 2]])
W
# result:
array([[1, 1],
       [1, 1],
       [2, 2],
       [2, 2]])

但即使进行了此更改，您仍会再次收到类似的错误:

clf.fit(X, W)
[...]
ValueError: bad input shape (4, 2)

因为，正如 SGDClassifier documentation 中明确提到的那样，您的因变量 y 应该只有一列:

fit(X, y, coef_init=None, intercept_init=None, sample_weight=None)

y : numpy array, shape (n_samples,)

Target values

可以说，您正在寻找的是 scikit-learn 的 MultiOuputClassifier对于 multioutput classification :

from sklearn.multioutput import MultiOutputClassifier

sgd = linear_model.SGDClassifier(max_iter=1000)
multi_target_sgd = MultiOutputClassifier(sgd, n_jobs=-1)
multi_target_sgd.fit(X, W) 

fit 现在可以正常工作，给出以下输出:

MultiOutputClassifier(estimator=SGDClassifier(alpha=0.0001, average=False, class_weight=None, epsilon=0.1,
       eta0=0.0, fit_intercept=True, l1_ratio=0.15,
       learning_rate='optimal', loss='hinge', max_iter=1000, n_iter=None,
       n_jobs=1, penalty='l2', power_t=0.5, random_state=None,
       shuffle=True, tol=None, verbose=0, warm_start=False),
           n_jobs=-1)

请记住，主题分类器不会做任何比为每个目标输出拟合一个分类器更复杂的事情；来自docs再次:

Multi target classification

This strategy consists of fitting one classifier per target. This is a simple strategy for extending classifiers that do not natively support multi-target classification