Python sklearn Multilabel Classification:UserWarning:Label not 226出现在所有培训示例中

我正在尝试一个多标签分类问题。我的数据是这样的

DocID   Content             Tags           
1       some text here...   [70]
2       some text here...   [59]
3       some text here...  [183]
4       some text here...  [173]
5       some text here...   [71]
6       some text here...   [98]
7       some text here...  [211]
8       some text here...  [188]
.       .............      .....
.       .............      .....
.       .............      .....

这是我的密码

traindf = pd.read_csv("mul.csv")
print "This is what our training data looks like:"
print traindf

t=TfidfVectorizer()

X=traindf["Content"]

y=traindf["Tags"]

print "Original Content"
print X
X=t.fit_transform(X)
print "Content After transformation"
print X
print "Original Tags"
print y
y=MultiLabelBinarizer().fit_transform(y)
print "Tags After transformation"
print y

print "Features extracted:"
print t.get_feature_names()
print "Scores of features extracted"
idf = t.idf_
print dict(zip(t.get_feature_names(), idf))

print "Splitting into training and validation sets..."
Xtrain, Xvalidate, ytrain, yvalidate = train_test_split(X, y, test_size=.5)

print "Training Set Content and Tags"
print Xtrain
print ytrain
print "Validation Set Content and Tags"
print Xvalidate
print yvalidate

print "Creating classifier"
clf = OneVsRestClassifier(LogisticRegression(penalty='l2', C=0.01))

clf.fit(Xtrain, ytrain)

predictions=clf.predict(Xvalidate)
print "Predicted Tags are:"
print predictions
print "Correct Tags on Validation Set are :"
print yvalidate
print "Accuracy on validation set: %.3f"  % clf.score(Xvalidate,yvalidate)

代码运行良好，但我一直收到这些消息

X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 288 is present in all training examples.
  str(classes[c]))
X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 304 is present in all training examples.
  str(classes[c]))
X:\Anaconda2\lib\site-packages\sklearn\multiclass.py:70: UserWarning: Label not 340 is present in all training examples.

---

这是什么意思？这是否表明我的数据不够多样化？

当某些项出现在所有或多个记录中时，某些数据挖掘算法会出现问题。例如，这是使用Apriori算法进行关联规则挖掘时的一个问题

这是否是一个问题取决于分类器。我不知道您使用的是哪种分类器，但这里有一个例子，当用最大深度拟合决策树时，它可能很重要

假设您正在使用Hunt算法和基尼指数拟合具有最大深度的决策树，以确定最佳分割（请参阅幻灯片35之后的解释）。第一个分歧可能是记录是否有标签288。如果每条记录都有这个标签，那么基尼指数将是这种分割的最佳选择。这意味着前这么多的拆分将是无用的，因为您实际上并没有拆分训练集（您拆分的是一个空集合，没有288，而集合本身有288）。所以，树的前这么多层次都是无用的。如果然后设置最大深度，则可能导致决策树的精度较低

在任何情况下，您得到的警告都不是代码的问题，最好是数据集的问题。你应该检查你正在使用的分类器是否对这类事情敏感——如果是的话，当你过滤掉随处可见的标签时，它可能会给出更好的结果