Python 在Sklearn中运行SVM时出现值错误

我有下面的问题，用numpy数组做支持向量机

import numpy as np
from sklearn import svm

我有3个类别/标签（

男性

，

女性

，

na

），表示如下：

labels = [0,1,2]

In [19]: clf = svm.SVC()

In [20]: y = ["male"] * 5 + ["female"] * 5 + ["na"] * 5

In [21]: X = np.vstack([males, females, nas])

In [22]: clf.fit(X, y)
Out[22]: 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
  kernel='rbf', max_iter=-1, probability=False, random_state=None,
  shrinking=True, tol=0.001, verbose=False)

In [23]: height_weight_age = [100,100,100]

In [24]: clf.predict(height_weight_age)
Out[24]: 
array(['female'], 
      dtype='|S6')

每个班级由3个变量（

身高

，

体重

，

年龄

）定义为训练数据：

male_height = np.array([111,121,137,143,157])
male_weight = np.array([60,70,88,99,75])
male_age = np.array([41,32,73,54,35])

males = np.hstack([male_height,male_weight,male_age])

female_height = np.array([91,121,135,98,90])
female_weight = np.array([32,67,98,86,56])
female_age = np.array([51,35,33,67,61])

females = np.hstack([female_height,female_weight,female_age])

na_height = np.array([96,127,145,99,91])
na_weight = np.array([42,97,78,76,86])
na_age = np.array([56,35,49,64,66])

nas = np.hstack([na_height,na_weight,na_age])

现在，我必须为训练数据拟合支持向量机方法，以预测给定这三个变量的类：

height_weight_age = [100,100,100]

clf = svm.SVC()
trainingData = np.vstack([males,females,nas])

clf.fit(trainingData, labels)

result = clf.predict(height_weight_age)

print result

不幸的是，出现以下错误：

  ValueError: X.shape[1] = 3 should be equal to 15, the number of features at training time

---

如何修改

培训数据

和

标签

，以获得正确答案？

hstack

给出了一维数组。您需要形状的二维数组

（n个样本，n个特征）

，您可以从

vstack

中获得

In [7]: males = np.hstack([male_height,male_weight,male_age])

In [8]: males
Out[8]: 
array([111, 121, 137, 143, 157,  60,  70,  88,  99,  75,  41,  32,  73,
        54,  35])

In [9]: np.vstack([male_height,male_weight,male_age])
Out[9]: 
array([[111, 121, 137, 143, 157],
       [ 60,  70,  88,  99,  75],
       [ 41,  32,  73,  54,  35]])

In [10]: np.vstack([male_height,male_weight,male_age]).T
Out[10]: 
array([[111,  60,  41],
       [121,  70,  32],
       [137,  88,  73],
       [143,  99,  54],
       [157,  75,  35]])

您还需要传递反映每个样本标签的标签列表/数组，而不仅仅是枚举存在的标签。修正所有变量后，我可以训练SVM并按如下方式应用它：

labels = [0,1,2]

In [19]: clf = svm.SVC()

In [20]: y = ["male"] * 5 + ["female"] * 5 + ["na"] * 5

In [21]: X = np.vstack([males, females, nas])

In [22]: clf.fit(X, y)
Out[22]: 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
  kernel='rbf', max_iter=-1, probability=False, random_state=None,
  shrinking=True, tol=0.001, verbose=False)

In [23]: height_weight_age = [100,100,100]

In [24]: clf.predict(height_weight_age)
Out[24]: 
array(['female'], 
      dtype='|S6')

---

（请注意，我使用的是字符串标签而不是数字标签。我还建议您标准化特征值，因为它们的范围非常不同。）

@jornsharpe感谢您如此巧妙地编辑了我的原始问题！我一直认为，当特征值按数量级变化时，我需要进行标准化……即使在这样的情况下，如果差异在一个（小的）常量的数量级上，你也会发现这很有用吗？@Fred这当然值得一试。它还更改了

C

（正则化）参数的比例，使其进入一个更容易处理的范围。@Fred什么是标准化？我怎么做？请举个例子@larsmans@bercik：使用

生成管道（StandardScaler（），clf）

而不是

clf

。有关详细信息，请参阅scikit学习文档。