Python ValueError:未知的标签类型：'；未知'；在sklearn

我收到此错误-“ValueError:未知标签类型：“未知”

我已经搜索过网络，但无法摆脱这个错误，我是python新手，顺便说一句：）

我的数据有5行22列，最后一列是标签（真、假）

数据如下所示：

dataset.head()



loc     v(g)    ev(g)   iv(g)   n   v   l   d   i   e   ...     lOCode  lOComment   lOBlank     locCodeAndComment   uniq_Op     uniq_Opnd   total_Op    total_Opnd  branchCount     defects
0   1.0     1.0     1.0     1.0     1.0     1.00    1.0     1.0     1.00    1.00    ...     1   1   1   1   1.0     1.0     1.0     1.0     1.0     True
1   1.1     1.4     1.4     1.4     1.3     1.30    1.3     1.3     1.30    1.30    ...     2   2   2   1   1.2     1.2     1.2     1.2     1.4     False
2   2.0     1.0     1.0     1.0     1.0     0.00    0.0     0.0     0.00    0.00    ...     0   0   1   0   1.0     0.0     1.0     0.0     1.0     False
3   2.0     1.0     1.0     1.0     1.0     0.00    0.0     0.0     0.00    0.00    ...     0   0   1   0   1.0     0.0     1.0     0.0     1.0     False
4   3.0     1.0     1.0     1.0     22.0    85.95   0.2     5.0     17.19   429.76  ...     1   0   3   0   10.0    5.0     17.0    5.0     1.0     False

5 rows × 22 columns

代码的其余部分：

array = dataset.values
X = array[:,0:21]  # Row=ALL, Col=1 to 21 (index=0to20)
Y = array[:,21]  # Row=ALL, Col=22nd (index=21)
X_train, X_test, Y_train, Y_test = model_selection.train_test_split(X, Y, test_size=0.20, random_state=0) #80% Training data , 20% Test data

kfold = model_selection.KFold(n_splits=10, random_state=0)
cv_results = []

我在以下行中遇到错误：

cv_results = model_selection.cross_val_score(SVC(), X_train, Y_train, cv=kfold, scoring='accuracy')

详细错误：

ValueError                                Traceback (most recent call last)
<ipython-input-31-e1234a2bbe9b> in <module>()
----> 1 cv_results = model_selection.cross_val_score(SVC(), X_train, Y_train, cv=kfold, scoring='accuracy')

C:\Program Files\Anaconda2\lib\site-packages\sklearn\model_selection\_validation.pyc in cross_val_score(estimator, X, y, groups, scoring, cv, n_jobs, verbose, fit_params, pre_dispatch)
    138                                               train, test, verbose, None,
    139                                               fit_params)
--> 140                       for train, test in cv_iter)
    141     return np.array(scores)[:, 0]
    142 

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\parallel.pyc in __call__(self, iterable)
    756             # was dispatched. In particular this covers the edge
    757             # case of Parallel used with an exhausted iterator.
--> 758             while self.dispatch_one_batch(iterator):
    759                 self._iterating = True
    760             else:

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\parallel.pyc in dispatch_one_batch(self, iterator)
    606                 return False
    607             else:
--> 608                 self._dispatch(tasks)
    609                 return True
    610 

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\parallel.pyc in _dispatch(self, batch)
    569         dispatch_timestamp = time.time()
    570         cb = BatchCompletionCallBack(dispatch_timestamp, len(batch), self)
--> 571         job = self._backend.apply_async(batch, callback=cb)
    572         self._jobs.append(job)
    573 

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\_parallel_backends.pyc in apply_async(self, func, callback)
    107     def apply_async(self, func, callback=None):
    108         """Schedule a func to be run"""
--> 109         result = ImmediateResult(func)
    110         if callback:
    111             callback(result)

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\_parallel_backends.pyc in __init__(self, batch)
    324         # Don't delay the application, to avoid keeping the input
    325         # arguments in memory
--> 326         self.results = batch()
    327 
    328     def get(self):

C:\Program Files\Anaconda2\lib\site-packages\sklearn\externals\joblib\parallel.pyc in __call__(self)
    129 
    130     def __call__(self):
--> 131         return [func(*args, **kwargs) for func, args, kwargs in self.items]
    132 
    133     def __len__(self):

C:\Program Files\Anaconda2\lib\site-packages\sklearn\model_selection\_validation.pyc in _fit_and_score(estimator, X, y, scorer, train, test, verbose, parameters, fit_params, return_train_score, return_parameters, return_n_test_samples, return_times, error_score)
    236             estimator.fit(X_train, **fit_params)
    237         else:
--> 238             estimator.fit(X_train, y_train, **fit_params)
    239 
    240     except Exception as e:

C:\Program Files\Anaconda2\lib\site-packages\sklearn\svm\base.pyc in fit(self, X, y, sample_weight)
    150 
    151         X, y = check_X_y(X, y, dtype=np.float64, order='C', accept_sparse='csr')
--> 152         y = self._validate_targets(y)
    153 
    154         sample_weight = np.asarray([]

C:\Program Files\Anaconda2\lib\site-packages\sklearn\svm\base.pyc in _validate_targets(self, y)
    518     def _validate_targets(self, y):
    519         y_ = column_or_1d(y, warn=True)
--> 520         check_classification_targets(y)
    521         cls, y = np.unique(y_, return_inverse=True)
    522         self.class_weight_ = compute_class_weight(self.class_weight, cls, y_)

C:\Program Files\Anaconda2\lib\site-packages\sklearn\utils\multiclass.pyc in check_classification_targets(y)
    170     if y_type not in ['binary', 'multiclass', 'multiclass-multioutput',
    171             'multilabel-indicator', 'multilabel-sequences']:
--> 172         raise ValueError("Unknown label type: %r" % y_type)
    173 
    174 

ValueError: Unknown label type: 'unknown'

ValueError回溯（最近一次调用）
在（）
---->1 cv\u结果=模型选择。交叉值评分（SVC（），X\u序列，Y\u序列，cv=kfold，评分='accurity'）
C:\Program Files\Anaconda2\lib\site packages\sklearn\model\u selection\\u validation.pyc交叉评分（估计器、X、y、组、评分、cv、n作业、详细信息、拟合参数、预调度）
138列车，测试，冗长，无，
139配合参数）
-->140用于列车，在cv_iter中进行试验）
141返回np.数组（分数）[：，0]
142
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\parallel.pyc in\uuuu调用（self，iterable）
756人被派遣。特别是，这覆盖了边缘
757#与耗尽迭代器一起使用的并行情况。
-->758自行调度一批时（迭代器）：
759自迭代=真
760其他：
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\parallel.pyc在dispatch\u one\u批处理中（self，迭代器）
606返回错误
607其他：
-->608自我派遣（任务）
609返回真值
610
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\parallel.pyc in\u dispatch（self，batch）
569调度时间戳=time.time（）
570 cb=BatchCompletionCallBack（调度时间戳，len（批处理），self）
-->571作业=self.\u后端.apply\u异步（批处理，回调=cb）
572自我作业。附加（作业）
573
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\\u parallel\u backends.pyc in apply\u async（self、func、callback）
107 def apply_async（self、func、callback=None）：
108“计划要运行的func”
-->109结果=立即结果（func）
110如果回调：
111回调（结果）
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\\u parallel\u backends.pyc in\uuuuuu init\uuuuu（self，batch）
324#不要延迟应用程序，以免保留输入
325#内存中的参数
-->326 self.results=批处理（）
327
328 def get（自我）：
C:\Program Files\Anaconda2\lib\site packages\sklearn\externals\joblib\parallel.pyc in\uuuuu调用（self）
129
130 def呼叫（自我）：
-->131返回[func（*args，**kwargs），用于self.items中的func、args、kwargs]
132
133定义长度（自）：
C:\Program Files\Anaconda2\lib\site packages\sklearn\model\u selection\\u validation.pyc in\u fit\u and\u score（估计器、X、y、记分器、训练、测试、详细信息、参数、拟合参数、返回训练分数、返回参数、返回测试样本、返回次数、错误分数）
236估算器拟合（X列，**拟合参数）
237其他：
-->238估计值拟合（X_序列，y_序列，**拟合参数）
239
240除e以外的例外情况：
C:\Program Files\Anaconda2\lib\site packages\sklearn\svm\base.pyc适合（自身、X、y、样本重量）
150
151 X，y=check_X_y（X，y，dtype=np.float64，order='C'，accept_sparse='csr'）
-->152 y=自我验证目标（y）
153
154样品重量=np.asarray（[]
C:\Program Files\Anaconda2\lib\site packages\sklearn\svm\base.pyc in\u validate\u targets（self，y）
518 def_验证_目标（自我，y）：
519 y=列或1d（y，警告=真）
-->520检查分类目标（y）
521 cls，y=np.unique（y\uu，返回值逆=True）
522自我分类权重=计算自我分类权重（自我分类权重，cls，y）
C:\Program Files\Anaconda2\lib\site packages\sklearn\utils\multiclass.pyc in check\u classification\u targets（y）
170如果y_类型不在['binary'、'multiclass'、'multiclass multioutput'中，
171“多标签指示器”、“多标签序列”]：
-->172提升值错误（“未知标签类型：%r”%y\u类型）
173
174
ValueError:未知标签类型：“未知”

第1部分

---

您得到的错误与您使用的y变量有关

您需要将

TRUE/FALSE

转换为

0/1

，以便Y变量将包含

0s

和

1s

。这将修复错误

从文件中：

y：类似数组的形状（n_个样本）
目标值（分类中的类别标签，回归中的实数）

---

第二部分

---

接下来，您应该使用交叉验证，它将自动将数据分割为

X\u序列、X\u测试

和

y\u序列、y\u测试

或

train\u测试

功能，然后手动执行如下操作：

clf = SVC()
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
...

另一方面，如果您想将

交叉验证

与

KFold

一起使用，只需使用：

kfold = model_selection.KFold(n_splits=10, random_state=0)

cv_results = model_selection.cross_val_score(SVC(), X, Y, cv=kfold, scoring='accuracy')

---

这将自动创建

X\u列

，

X\u测试

和

y\u列

，

y\u测试

，它将为您提供

cv\u结果

，您不能使用SVC（）直接不拟合X和Y。@Kshitiz是的，他可以。在

交叉值

中，它将自动拟合。将布尔值目标True和False更改为int，然后重试。

Y=[1如果X在Y中为X，则为0]

成功了！谢谢@VivekKumar:）@VivekKumar你能解释一下如何将T/F转换为0/1吗？因为在这两种情况下都有“x”：如果x为其他值，则为1

kfold = model_selection.KFold(n_splits=10, random_state=0)

cv_results = model_selection.cross_val_score(SVC(), X, Y, cv=kfold, scoring='accuracy')