Python 2.7 二元分类支持向量机给出一类值错误，尽管有两类

我在一些数据上使用了RBF支持向量机。我的y数据（类别）如下所示：

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，当我运行此代码绘制学习曲线时，我得到一个值错误，声称只有一个类更新：错误有所改变，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：在对代码做了一些更改之后，在做了一些注释之后，我更新了这里看到的代码

更新：现在这是错误的当前状态：

---

ValueError：类的数量必须大于一个；获得1

您正在执行的

学习曲线

，其中

cv

（交叉验证）设置为

None

，返回默认的3倍交叉有效期（请参阅）。代码崩溃的原因很可能源于这样一个事实，即只有一个类

---

您可以将自己的交叉验证对象传递给

learning_curve

函数（例如

StratifiedKFold

；请参阅），以避免该错误

成功地让它工作了，不能说我知道错误的确切原因。但它似乎可以归结为train_的大小，尽管使用了StratifiedKFold，但我认为最终的测试集仍然只包含一个类。修正的方法就是简单地改变列车大小中的数值范围，直到错误不再出现

---

我认为这取决于样本大小和折叠次数，因为即使你低于错误代码给出的范围（通过故意输入大于样本大小的训练大小），它仍然可以给出高于该范围的错误。我猜这与样本大小不能总是完美分割这一事实有关？

我认为这就是解决方案，因为它解决了我遇到的另一个问题。但是在切换到分层k fold，以及在函数定义cv=cross_validation中设置cv=cv之后，我仍然会遇到同样的错误。顺便问一下，StratifiedKFold（y，n_fold=10，shuffle=True）您是否尝试过迭代

StratifiedKFold

对象并检查每个折叠是否包含2个类（只是为了确保）？我在enumerate（CV）中使用了：for I，（train，test）：y_pred=clf.fit（val[train]，y[train]）。predict（val[test]）print y_pred，“predicted”print y[test]，“actual”，每个折叠中都有一些。然而，一些y_pred只包含一个类，这应该不会影响它，对吗？