Machine learning 基于Sklearn的多标签分类

我曾尝试使用Sklearn的OneVsRest和逻辑回归，但它为一些样本提供了空标签（即，不预测任何结果），即使我没有任何未标记的训练数据

知道是什么原因造成的吗？或者如何修复

clf = OneVsRestClassifier(LogisticRegression(multi_class='ovr',max_iter=1000,solver='lbfgs'))
clf.fit(X,Y)
self.classifier=clf


self.classifier.predict(test_data)

---

每当执行多标签分类时，根据

OneVsRestClassifier

，目标必须是“标签序列”

此外，根据您对此标签的编码方式，您可能会收到以下警告：“弃用警告：从版本0.17起，将无法直接支持序列多标签表示。请使用sklearn.preprocessing.MultiLabelBinarizer转换为标签指示器表示。”

因此，对标签进行编码的好方法是：

from sklearn import preprocessing
mlb = preprocessing.MultiLabelBinarizer()
Y = mlb.fit_transform([(1, 2), (1,2), (1,2),(4,)]) 
# this means sample one belongs to classes {1,2} and so on. 
# Take into account the format if only one class is needed, (4,) not (4) 

所以Y原来是：

array([[1, 1, 0],
       [1, 1, 0],
       [1, 1, 0],
       [0, 0, 1]])

---

这正是我所做的训练数据的格式是（4，）为单一标签。然而，这对一些测试数据被标记为“无”并没有帮助。好的，你们能不能给我们举一个例子，说明其中一个样本的预测结果是

None

？可能算法本身或其实现允许sklearn中的不确定性，并返回

None

。试着给我们举个例子，同时我会检查一些理论。你也可以检查

predict\u proba（X）

方法，而不是

predict

，看看它是否返回

None

，我不知道如何在这里给出一个例子，因为有预测标签的与没有预测标签的相似。然而，我尝试了你的想法来检查预测概率（X），对于所有那些没有标签的预测。它们具有所有标签的概率，因此分类器为样本的每个标签提供概率，但最终不会预测任何内容。数据集是以特征为弓的文本文档集合，并且有多个类标记这些类。