scikit-learn - 多标签分类的特征选择(scikit-learn)-6ren

scikit-learn - 多标签分类的特征选择(scikit-learn)

转载作者：行者123 更新时间：2023-12-02 01:12:02

27

4

我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告:

用户警告:重复分数。结果可能取决于特征排序。可能存在重复特征，或者您对回归任务使用了分类分数。 warn("重复分数。结果可能取决于特征顺序。"

为什么会出现这种情况以及如何正确应用特征选择？

最佳答案

代码警告您可能需要执行任意平分，因为某些特征具有完全相同的分数。

也就是说，特征选择实际上不适用于开箱即用的多标签；您目前可以做的最好的事情是在管道中将特征选择和分类器结合在一起，然后将其提供给多标签元估计器。示例(未经测试):

clf = Pipeline([('chi2', SelectKBest(chi2, k=1000)),
                ('svm', LinearSVC())])
multi_clf = OneVsRestClassifier(clf)

(我认为，即使绑定(bind)的特征实际上不是第 k 个和第 (k+1) 个，我认为也会发出此警告。通常可以安全地忽略它。)

关于scikit-learn - 多标签分类的特征选择(scikit-learn)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/16400722/

27

4

0

文章推荐： ubuntu-12.04 - MRTG : ERROR: did not find any matching data in cfg file

文章推荐： apache - Apache Tika 能够提取中文、日语等外语吗？

文章推荐： backbone.js - 使 Backbone 模型获取丢弃丢失的字段

scikit-learn - scikit learn中MinMaxScaler中属性min_的含义
来自文档: sklearn.preprocessing.MinMaxScaler.min_ : ndarray, shape (n_features,) Per feature adjustment
scikit-learn - scikit svm回归预测恒定结果
这是我的数据:(我重置了索引。日期应该是索引) Date A B C D 0 2013-10-07 -0.002
scikit-learn - Scikit - 更改阈值以创建多个混淆矩阵
我正在构建一个分类器，通过贷款俱乐部数据，选择最好的 X 笔贷款。我训练了一个随机森林，并创建了通常的 ROC 曲线、混淆矩阵等。混淆矩阵将分类器的预测(森林中树木的多数预测)作为参数。但是，我希望
scikit-learn - scikit-learn 中的成本敏感分析
是否有类似于的 scikit-learn 方法/类元成本在 Weka 或其他实用程序中实现的算法以执行常量敏感分析？最佳答案不，没有。部分分类器提供 class_weight和 sample_
scikit-learn - Scikit Learn 分层交叉验证中的差异
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。方法一:cross_validation.train_test_split 方法 2:分层折叠。具有相同
scikit-learn - scikit-learn 中嵌套交叉验证的令人困惑的例子
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
scikit-learn - scikit-learn 中的哪些估计器不支持稀疏矩阵？
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到，要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知，这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
scikit-learn - 多标签分类的特征选择(scikit-learn)
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
scikit-learn - scikit-learn 默认使用哪种决策树算法？
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？当我查看一些决策树 python 脚本时，它神奇地生成了带有
scikit-learn - 多标签分类的特征选择(scikit-learn)
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
scikit-learn - scikit-learn 默认使用哪种决策树算法？
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？当我查看一些决策树 python 脚本时，它神奇地生成了带有
scikit-learn - scikit-learn 的进度条？
有没有办法让 scikit-learn 中的 fit 方法有一个进度条？是否可以包含自定义的类似 Pyprind 的内容？ ? 最佳答案如果您使用 verbose=1 初始化模型调用前 fit你应
scikit-learn - scikit-learn 中交叉验证的一种标准错误规则
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型，并且我想使用“一个标准错误”规则来选择最佳模型，即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
scikit-learn - 是否可以在 Scikit-learn 中使用自定义的决策树分类器？
我有一个预定义的决策树，它是根据基于知识的拆分构建的，我想用它来进行预测。我可以尝试从头开始实现决策树分类器，但那样我就无法在 Scikit 函数中使用 predict 等内置函数。有没有办法将我的树
scikit-learn - 使用随机森林时在 scikit-learn 中表示因子变量的方法是什么？
我正在使用随机森林解决分类问题。为此，我决定使用 Python 库 scikit-learn。但我对随机森林算法和这个工具都很陌生。我的数据包含许多因子变量。我用谷歌搜索，发现像我们在线性回归中所做的
scikit-learn - 如何在 Scikit-learn 管道中访问回归器的权重
我使用 Keras 回归器对数据进行回归拟合。我使用 Scikit-learn wrapper 和 Pipeline 来首先标准化数据，然后将其拟合到 Keras 回归器上。有点像这样: from s
scikit-learn - 在 scikit-learn 中按名称获取评分函数
在 scikit-learn ，有一个的概念评分函数 .如果我们有一些预测标签和真实标签，我们可以通过调用 scoring(y_true, y_predict) 来获得分数。 .这种评分函数的一个例
scikit-learn - scikit learn : train_test_split, 我可以确保在不同的数据集上进行相同的拆分吗
我知道 train_test_split 方法将数据集拆分为随机训练和测试子集。并且使用 random_state=int 可以确保每次调用该方法时我们对该数据集都有相同的拆分。我的问题略有不同。
scikit-learn - 如何在 scikit-learn 中为最近邻居使用用户定义的度量？
我正在使用 scikit-learn 0.18.dev0。我知道之前有人问过完全相同的问题 here .我尝试了那里提供的答案，但出现以下错误 >>> def mydist(x, y): ...
scikit-learn - 在 scikit-learn 中结合递归特征消除和网格搜索
我试图在 scikit-learn 中结合递归特征消除和网格搜索。正如您从下面的代码(有效)中看到的那样，我能够从网格搜索中获得最佳估计量，然后将该估计量传递给 RFECV。但是，我宁愿先进行 RFE

首页

博学

6Ren·AI

商城

scikit-learn - 多标签分类的特征选择(scikit-learn)