Python 使用Sci工具包学习SVM时预测始终相同

我有一个数据集，我试图从DNA组成中预测数据输入是什么样的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

。数据集可以进一步调查。我尝试将内核从

linear

切换到

rbf

，但结果是一样的。SVM分类器似乎每次都输出

N

。你知道为什么吗？我是Sci工具包的初学者

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，将其组合并拆分为x（输入）或y（输出标签）。然后我将x转换成虚拟变量版本，从原来的60列转换为300列，因为每个DNA点可以是

A

，

T

，

G

，

C

，有时还可以是

N

。对于每个输入的所有可能输入，基本上都有0或1。（有更好的方法吗？Sci kit learn不支持分类编码，我尽了最大努力。）然后我再次分离数据（我必须合并，以便在整个数据空间上生成假人）

---

从这里开始，我只需运行svm工具来拟合

x

和

y

标签，然后预测

test\ux

。我还必须编码/标记

y

，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。我怎么修理？谢谢大家!

我认为问题在于如何将数据分解为训练和测试。您已采集了前3000个样本用于培训，其余190个样本用于测试。我发现，通过这种训练，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

我建议您使用

test\u size=.06

将数据集分割为序列并进行测试（这大约相当于190/3190，尽管为了更容易显示结果，我在下面的示例运行中使用了

test\u size=.01

）。为了简单起见，我还建议您使用对特性的分类值进行编码

以下是完整的代码（我已经冒昧地执行了一些重构）：

演示：

---

注意：确保您的sklearn版本为0.18.1，否则上述代码可能无法使用。

尝试其他一些分类器，如LinearSVC（）或KneighborsClassifier（），并检查它们是否产生相同的答案。如果是，则您可能需要检查数据。您是按原样使用数据集，还是在导入数据集之前进行了修改？我修改了数据集，使每个DNA斑点都是自己的变量，因此我应该有60个特征变量和1个输出标签。我还使用橙色库对数据集进行随机化，并保存到不同的文件中，这就是为什么我必须在上面的脚本开始时再次合并它们。很好！请注意，代码只适用于Python2，而对于Python3，它将是

data=numpy.loadtxt（r'splice.data'，delimiter='，，dtype=bytes）。astype（str）

和

train\u index，test\u index=rs.split（X）。\uu next\uu（）

Awesome！谢谢：）我会试试这个，可以确认工作！我会看更多的文档，以便更好地理解。再次感谢@Tonechas@Maximilian Peters为什么是

n_值=[60]*X_基形[1]

？我认为

n_值

作为一个数组意味着每个特征的值的数量。为什么不把可能的碱基数设为8？来源：谢谢你发现这一点。抢手货我的意思是

n_values=[8]*60

，但如果所有60个功能都可以接受8个分类值，那么您只需编写

enc=onehotcoder（n_values=len（base））

。我将编辑我的答案以修复此错误。

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)

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