python - 使用 Sci-kit Learn SVM 时预测始终相同

Question

我有一个数据集，我试图从 DNA 构成中预测数据条目属于哪种 DNA。例如，字符串 ATTAG...ACGAT 可能会转换为 EI。可能的输出为 EI、IE 或 N。可以进一步研究该数据集 here 。我尝试将内核从线性切换为 rbf，但结果是相同的。 SVM 分类器似乎每次都会输出 N 。有什么想法吗？我是 Sci-kit Learn 的初学者。

import pandas as pd
# 3190 total
training_data = pd.read_csv('new_training.csv')
test_data = pd.read_csv('new_test.csv')
frames = [training_data, test_data]
data = pd.concat(frames)
x = data.iloc[:, 0:59]
y = data.iloc[:, 60]

x = pd.get_dummies(x)
train_x = x.iloc[0:3000, :]
train_y = y.iloc[0:3000]
test_x = x.iloc[3000:3190, :]
test_y = y.iloc[3000:3190]

from sklearn import svm
from sklearn import preprocessing

clf = svm.SVC(kernel="rbf")
label_encoder = preprocessing.LabelEncoder()
label_encoder.fit(y)

print(label_encoder.transform(train_y))
clf.fit(train_x, label_encoder.transform(train_y))

for u in train_y.unique():
    print(u)

predictions = clf.predict(test_x)

correct = 0
total = len(predictions)
for i in range(total):
    prediction = label_encoder.inverse_transform(predictions[i])
    print('predicted %s and actual %s' % (prediction, test_y[i]))
    print(len(prediction))
    if prediction == test_y[i]:
        correct += 1

print('correct %d out of %d' % (correct, total))

首先，我导入训练和测试数据，将其组合并将其拆分为 x(输入)或 y(输出标签)。然后我将 x 转换为虚拟变量版本，从原来的 60 列转换为大约 300~ 列，因为每个 DNA 点可以是 A、T、G、C，有时还有 N。基本上每个输入的所有可能输入都是 0 或 1。 (有更好的方法吗？Sci-kit learn 不支持分类编码，我从 this 尽了最大努力。)然后我再次分离数据(我必须合并，以便我可以在整个数据空间)。

从这里开始，我只需运行 svm 来适应 x 和 y 标签，然后对 test_x 进行预测。我还必须对 y 进行编码/标记，从字符串版本到数字版本。但是，是的，它总是产生 N ，我觉得这是错误的。我该如何修复？谢谢!

Answer 1

我认为问题在于数据分为训练和测试的方式。您已选取前 3000 个样本进行训练，其余 190 个样本进行测试。我发现通过这样的训练，分类器可以为所有测试样本生成真实的类标签(分数 = 1.0)。我还注意到数据集的最后 190 个样本具有相同的类标签，即'N'。因此您得到的结果是正确的。

我建议您通过 ShuffleSplit 将数据集拆分为训练和测试与 test_size=.06 (这大约对应于 190/3190，尽管为了使结果可视化更容易，我在下面的示例运行中使用了 test_size=.01)。为了简单起见，我还建议您使用 OneHotEncoder对特征的分类值进行编码。

这是完整的代码(我冒昧地进行了一些重构):

import numpy as np
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
from sklearn.model_selection import ShuffleSplit
from sklearn import svm

data = np.loadtxt(r'splice.data', delimiter=',', dtype='string')

bases = {'A': 0, 'C': 1, 'D': 2, 'G': 3, 'N': 4, 'R': 5, 'S': 6, 'T': 7}

X_base = np.asarray([[bases[c] for c in seq.strip()] for seq in data[:, 2]])
y_class = data[:, 0]

enc = OneHotEncoder(n_values=len(bases))
lb = LabelEncoder()

enc.fit(X_base)  
lb.fit(y_class)

X = enc.transform(X_base).toarray()
y = lb.transform(y_class)

rs = ShuffleSplit(n_splits=1, test_size=.01, random_state=0)
train_index, test_index = rs.split(X).next()
train_X, train_y = X[train_index], y[train_index]
test_X, test_y = X[test_index], y[test_index]

clf = svm.SVC(kernel="rbf")
clf.fit(train_X, train_y)

predictions = clf.predict(test_X)

演示:

Out[2]: 
array(['IE', 'EI', 'EI', 'EI', 'EI', 'IE', 'N', 'N', 'EI', 'N', 'N', 'IE',
       'IE', 'N', 'N', 'IE', 'EI', 'N', 'N', 'EI', 'IE', 'EI', 'IE', 'N',
       'EI', 'N', 'IE', 'N', 'EI', 'N', 'N', 'EI'], 
      dtype='|S79')

In [3]: y_class[test_index]
Out[3]: 
array(['IE', 'EI', 'EI', 'EI', 'EI', 'IE', 'N', 'N', 'EI', 'N', 'N', 'IE',
       'IE', 'N', 'N', 'IE', 'EI', 'N', 'N', 'EI', 'IE', 'EI', 'IE', 'N',
       'IE', 'N', 'IE', 'N', 'EI', 'N', 'N', 'EI'], 
      dtype='|S79')

In [4]: clf.score(test_X, test_y)
Out[4]: 0.96875

注意:确保您的 sklearn 版本为 0.18.1，否则上面的代码可能无法运行。