Scikit learn Sklearn:ValueError:X和Y具有不兼容的形状

我是个新手，一般来说也不熟悉python。你能帮我弄清楚这个脚本是否带来了某种解决方案吗？基本上，我在图像集上使用色调提取器：加载iset进行训练，提取特征，定义分类器，然后分类

    #load beach for training
iset = ImageSet('/Users/Arenzky/Desktop/img_dirs/supervised/beach/') #load Image database

hue = HueHistogramFeatureExtractor() # define extractor
edge = EdgeHistogramFeatureExtractor()
x = []
y = []
for b in iset:
    ...:        x.append(hue.extract(b))

hset = ImageSet('/dir/.../h01/') 
hue = HueHistogramFeatureExtractor() # define extractor
edge = EdgeHistogramFeatureExtractor()
for h01 in hset:
    ...:        y.append(hue.extract(h01))

dataset = np.array(x)
targets = np.array(y)

print 'Training Machine Learning'
clf = LinearSVC()
clf = clf.fit(x, y)
clf2 = LogisticRegression().fit(x, y)

#predict 

。。。 加载clf后，我得到：

ValueError: 
X and Y have incompatible shapes. X has 20 samples, but Y has 286.

---

错误信息非常明确：在输入数据集中有20个样本（行）和286个标签，因此不匹配。每个样品应标记一次，因此

y.shape[0]

应等于

x.shape[0]

。我不知道你的功能提取器是如何工作的（你没有把导入行放进去，但是通过谷歌搜索它是从SimpleCV来的）。请参阅本模块的文档，了解其输出的性质以及如何将其转换为满足sklearn shapes假设的内容。

错误信息非常明确：输入数据集中有20个样本（行）和286个标签，因此不匹配。每个样品应标记一次，因此

y.shape[0]

应等于

x.shape[0]

。我不知道你的功能提取器是如何工作的（你没有把导入行放进去，但是通过谷歌搜索它是从SimpleCV来的）。请参阅本模块的文档，了解其输出的性质以及如何将其转换为满足sklearn shapes假设的内容。

好的，实际上，20个样本基本上是来自图像集的20个图像，286个标签来自图像集上的应用色调.extractor（）。因此，让我重新表述一下这个问题：除了ImageSet，我还有另外5张图片在一个名为“fakeimages”的文件夹中。现在，我想根据ImageSet中提取的色调值对fakeimages数据集中的5幅图像进行比较/分类。你能给我一个基于sklearn的建议/路径吗？你需要20个特征/描述符向量，用于20幅图像中的每幅进行分类，以及20个目标标签，每幅图像一个进行分类。我不知道色调直方图的特征，所以我不能给出更具体的建议。标签是分类器的目标类别整数索引。顺便说一句，机器学习算法很可能只会在20个例子的训练中产生糟糕的结果。我建议每个目标类至少收集100张标记的图像。因此，如果您有两个类（例如“行人”和“背景”），我建议至少标记200张图片。好的，实际上，20个样本基本上是来自图像集的20张图像，286个标签来自图像集上的色调.extractor（）。因此，让我重新表述一下这个问题：除了ImageSet，我还有另外5张图片在一个名为“fakeimages”的文件夹中。现在，我想根据ImageSet中提取的色调值对fakeimages数据集中的5幅图像进行比较/分类。你能给我一个基于sklearn的建议/路径吗？你需要20个特征/描述符向量，用于20幅图像中的每幅进行分类，以及20个目标标签，每幅图像一个进行分类。我不知道色调直方图的特征，所以我不能给出更具体的建议。标签是分类器的目标类别整数索引。顺便说一句，机器学习算法很可能只会在20个例子的训练中产生糟糕的结果。我建议每个目标类至少收集100张标记的图像。因此，如果你有两个类别（例如“行人”和“背景”），我建议至少标记200张图片。