我想聚集150万种化合物。这意味着有1.5 x 150万个距离矩阵 我想我可以使用pyTables生成这样一个大的表，但是现在——有了这样一个表，我将如何对它进行集群 我想我不能只是把pyTables对象传递给scikit学习集群方法之一 是否有任何基于python的框架可以利用我的大表并使用它做一些有用的事情（lie集群）？也许是分布式的？我认为主要的问题是内存。1.5 x 1.5百万x 10B（1个元件尺寸）>20TB 您可以使用bigdata数据库，如pyTables、Hadoop和Map

随机森林使用“大量的决策树在训练时输出类，这是单个树的类（分类）模式” 是否有一种方法可以代替使用作为模式的类，在原始树生成的输出上运行另一个随机林 额外问题：这是个坏主意，有什么原因吗？（我相信人们以前会想到这一点）我认为这只是一个性能选项，您的想法听起来不错，但没有更好的“随机性”，但计算速度可能较慢。您可以访问拟合的随机林实例的估计器属性中的单个决策树 您甚至可以重新采样该属性（它只是一个决策树对象的Python列表），以添加或删除树，并查看对结果林预测质量的影响。>是否有方法在结果树上运

我不知道把它放在标题里 这就是我试图做的：我使用GridSearch和管道来训练分类器。我想看看最佳估计器所使用的计数向量器的词汇表.items（） 现在，在运行GridSearch之后，我正在这样做： classifier = gs_clf.best_estimator_ vect = classifier.named_steps["vec"] data = vect.fit_transform(x_train) vocab = = vect.vocabulary_.i

我正试图为最近邻搜索应用程序提出一个好的设计。这有点类似于这个问题： 在我的例子中，这将是在Python中，但主要的一点是，当新数据出现时，必须更新模型/索引。我现在正在和他玩，但我不认为这是一个很好的配合 应用程序的目标是： 用户输入一个查询，然后将显示现有数据集中的n个（可能固定为5个）最近邻。对于这一步，sklearn的这种搜索结构会有所帮助，但在添加新记录时必须重新生成。此外，这是第一次每次查询发生1次ste，因此与“立即”相比，可能会有点“慢”，如2-3秒 然后，用户可以单击其中一条

因此，我在SKLearn网站上阅读了受限Boltzmann机器的示例，在该示例成功后，我想与BernoulliRBM进行更多的交流，以更好地了解RBM的工作原理。我试着做一些简单的课堂预测： # Adapted from sample digits recognition client on Scikit-Learn site. import numpy as np from sklearn import linear_model, datasets from sklearn.cross_va

我试图使用scikit中的凝聚聚类来学习在一个地方聚集点。点由存储在_XY中的坐标（X，Y）定义 通过由定义的连通矩阵，集群仅限于几个邻居 C=kneighbors\u图（\u XY，n\u近邻=20） 我希望有些点不是同一个集群的一部分，即使它们是邻居，所以我修改了连通矩阵，将0放在这些点之间 该算法运行平稳，但在最后，一些簇包含不应该在一起的点，即一些偶，我施加了_C=0 从这些子项中，我可以看到，当两点（I，j）的簇已经形成时，问题就出现了，并且k连接（I，j），即使_C[I，k]=0 所

我对我的3D图像数据集进行了PCA，并将前n个PC用作线性SVM中的特征。我为每台电脑设置了SVM权重。现在，我想将电脑权重投影到原始图像空间，以发现在分类过程中，图像的哪些区域更具辨别力。我对权重向量使用了逆变换PCA方法。然而，结果图像只有正值，而SVM权重既有正值也有负值。这让我想到我的方法是否有效。有人有什么建议吗 提前谢谢。我有一个程序可以在图像空间中进行这种投影。需要意识到的是，权重本身并不定义“歧视”权重（如中所述）。您需要输入的总和由其核系数加权 以这个玩具为例： 类A有两个向量

我想将我的scikit学习版升级到0.18.dev0，其中包含用于NeuralNetworl分类器和回归的软件包。谁能给我详细的步骤，如何在Windows上这样做。我希望这些步骤非常详细 我尝试的是conda update scikit learn，但实际情况是它并没有超出“获取包元数据…”的范围，而是被卡在了那里。谁能帮我一下吗。我在命令提示符下执行此操作。您可以使用pip从特定的git分支进行安装，如本答案中所述 为什么不先自己尝试一下，然后在遇到问题时再问一个更具体的问题呢？很抱歉带来坏消

当我使用sklearn做一些关于线性回归的事情时，如下所示： x = df3.iloc[:,3:28].as_matrix().astype(int) y = df3.iloc[:,0].as_matrix().astype(int) from sklearn import linear_model clf = linear_model.LinearRegression() clf.fit(x,y) print clf.coef_ print clf.score(x,y) x = df3

我正在使用sift处理一袋视觉单词，然后我想集成tf idf，然后将其提供给svm，即scikit学习中的nusvc。我该怎么做？有什么想法吗 阅读scikit了解有关管道的文档： 链接类和NuSVC类的实例 确保您的输入数据是符合TFIDFTranformer类期望的2D数组或稀疏矩阵。谢谢。我可以在tf idf之后添加标准定标器以使数据更准确吗？

我已经建立了我的第一个scikit学习示例，我正在尝试评估我预测的准确性。我已经很好地设置了训练和测试列表，但即使我给出随机值，我也能获得~0.95的准确度 这看起来是因为我正在检查0/1标签，95%的标签是零，所以我想它是在0上猜测，得到0.95的准确度？。显然这不是我想要的 如何确定分类器是否正常工作，以及如何获得有意义的准确度值？您有一个明显的类不平衡问题。您的分类器一直在预测0，并且知道它95%的时间都是正确的。您可以在安装的分类器上调用predictX_测试来检查这一点。如果所有的值都

sklearn的svm LinearSVC使用以下模型： 线性VC:1/2 | | |[w b]| | ^2+C和XIU i 我一直在查看文档，找不到任何方法来找到这些值。特别是w向量、b和C值。LinearSVC类似乎有一个get_params方法，但没有一个返回的参数与分类参数匹配 有人有检索这些值的经验吗？使用sklearn的LinearSVC是否可能 谢谢您需要先拟合模型，然后才能将其作为估计器的属性进行访问 w=系数_ b=截距_ C=C是在拟合之前由您设置的超参数，请注意，越高，正则

我需要在scikit learn中编写一个自定义随机_选择（用于随机选择特征，即“最大_特征”和列车数据子集，即“子样本”）模块，用于sklearn.ensemble.RandomForestClassifier和GradientBoostingClassifier。有人能指出一些例子/文档/讨论等吗？想法是使用一列（不依赖于，即Y）从 在RandomForestClassifier中训练装袋数据这里似乎有两个主要选项： 您可以手动迭代学习者。它会非常慢，但你可以手动输入采样数据 或2。你可以通

我正在将带有分类字符串功能的PMML管道导出为PMML文件。当我用Java打开文件并列出InputFields时，我看到day\u of_week字段的数据类型是双重的： InputField{name=day_of_week, fieldName=day_of_week, displayName=null, dataType=double, opType=categorical} 因此，当我评估输入时，我会得到错误： org.jpmml.evaluator.InvalidResultExce

我在不平衡的数据集上训练随机森林，准确度不高。我希望避免交叉验证，而是使用现成的（OOB）评估。在sklearn中（或在python中，一般情况下）是否可以评估出包外（OOB）F1或AUC，而不是OOB准确性 我在这些页面上找不到这样做的方法： 或者我应该在oob_决策函数中计算平均预测（或分类多数票）的f1和AUC吗？从中，您可以看到精度计算是硬编码的，因此您无法通过设置一些参数获得另一个分数 但是，正如您所说，oob预测是可用的，因此自己进行最终计算并不困难。为什么不在训练前分割数据的另

XGBoost在cpu和gpu上都可以正常工作，但只要我添加scikit的randomizedsearchcv用于超参数调优，它就会失败 系统：Ubuntu20 环境：使用Python3.7的conda虚拟环境 xgboost安装：conda安装-c anaconda py xgboost gpu 代码： 错误： Fitting 3 folds for each of 200 candidates, totalling 600 fits [Parallel(n_jobs=1)]: Using b

我想在Google Colab中使用scikit学习版本0.24.1。首先，我通过以下方式卸载当前安装的版本（0.24.2）： 然后，我通过以下方式安装版本0.24.1： !pip install scikit-learn==0.24.1 然而，当我导入scitkit learn时，它是版本0.22.2.post1，我认为它是最新的版本，而不是版本0.24.1 如果你有任何解决办法，请告诉我 背景： 我通过scikit learn 0.24.1对模型进行了培训，我希望使用相同的版本加载经过培训

我有一个关于scikit的新问题要问你 分类问题，logistic回归作为估计量。 我有我的X数据集和我的功能 我想通过交叉验证使用我的算法，我有两种方法：我手动将我的数据集拆分为5个子集，最后我迭代5次，每次都留下一个不同的集进行测试。我得到了我的分数，但我现在想要的是与估计器一起使用的系数的平均值，以便在新的数据集上进行预测。我在stackoverflow的某个地方读到，可以将系数传递给scikit逻辑回归估计器 另一种方法是使用交叉评分法： lrmodel=LogisticRegressi

我有一些模型是在版本0.15.2中创建的，并使用pickle保存的。 现在我想升级到版本0.16.1，在新版本中使用这些模型，而无需对它们进行再培训 我将需要升级的特定类是PLSRegression和RandomForestClassifier 内存中是否有升级这些对象的帮助器方法？如果没有，请提供有关哪些成员已更改以及新成员与旧成员之间的关系的信息。发现：以及：

我可以从python或ipython控制台（python 2.7和3.5）导入scikit learn，但是当我在ipython笔记本（同样是2.7或3.5）中导入sklearn时，我会收到下面的错误消息。我怎样才能解决这个问题 ImportError回溯（最近的呼叫） 最后）在（） ---->1导入sklearn ImportError:没有名为sklearn的模块 您报告的问题仍然有点不清楚，因为您没有提供关于设置Python或iPython的步骤的详细信息。这些信息以及您的操作系统（OS

我想在scikitlearn中使用K-Best和评分函数“相互信息分类”进行特征选择。但是，由于以下错误，我无法导入此函数： ImportError: cannot import name 'mutual_info_classif' 请提供。请包括您正在使用的scikit版本。问题可能与感谢@ncfirth对您的帮助有关。我的scikitlearn版本是0.17，我将其升级到了0.18。请提供一个。请包括您正在使用的scikitlearn版本。问题可能与感谢@ncfirth对您的帮助有关。我的

我正在尝试使用id3算法训练决策树。 其目的是获得所选特征的索引，估计发生率，并建立总混淆矩阵 该算法应将数据集拆分为训练集和测试集，并使用4倍交叉验证 我是新来的，我读过关于sklearn的教程和关于学习过程的理论，但我还是很困惑 我试着做的是： from sklearn.model_selection import cross_val_predict,KFold,cross_val_score, train_test_split, learning_curve from sklearn.t

我正在尝试使用sklearn LDA分析一个稀疏数据集，但不仅是那个，我还尝试了一个个人实现。数据集有14列和一些不同数量的列，我选择这些列来运行不同的实验，保留那些差异最大的列 X = dfplants.values print(X.shape) (14,15) u,s,v = np.linalg.svd(X) print(len(s)) y = dfplants_sup['tecnique'].values lda = LDA(n_components=2, solver='svd', s

我正在使用sklearn precision和recall获得这些分数。我说值错误时出错。谁能告诉我哪里做错了 我的y_测试如下 443 positive 3615 positive 2030 negative 2993 positive 2870 positive 2907 negative 2215 positive ['positive' 'positive' 'positive' ..., 'positive' 'positive' 'pos

我有一个问题，我一直在寻找答案，但我找不到答案 如果我有一个使用三个或更多类标记的数据集，其中每个类代表33%的数据。当我分割数据时，培训/验证/测试集是否在类之间保持相同的平衡 如果没有，有没有办法保持平衡 提前谢谢。找到了 X\u-train，X\u-test，y\u-train，y\u-test=train\u-test\u-split（X，y，test\u-size=0.2，random\u-state=42，stratify=y）这有什么可能的重复？它将列/测试集中的数据分层，并保持类

请指导我通过这些方法，因为我一直在遵循python中其他较长的方法来执行PCA什么工作正常？什么工作不正常？简单地要求我们为您提供指导并不能告诉我们您的编程问题是什么。如何在我共享的文件中输入信息…这是一个跨不同站点的变量…只是如何使其可读，以便首先在此代码中进行进一步分析 from sklearn.decomposition import PCA as sklearnPCA sklearn_pca = sklearnPCA(n_components=2) Y_sklearn = sklearn

为什么上面缺少9%:Neutral？你可以发布一个y值的摘要（比如标签和每个标签的样本数）？'13%'：'sazing'，'15%'：'Bad'，'57%'：'Good'，'6%'：'sorry'：通常是9%。不仅是这批的结果。 from sklearn.feature_extraction.text import CountVectorizer vectorizer = CountVectorizer(stop_words = "english", ngram_range=(1, 2), m

我正在努力找出sklearn的svm中用于ovr类型决策函数的决策函数。 有人能帮我吗。非常感谢 你看过吗？那篇文章讨论了一些决策函数。@nbro这确实很有帮助，谢谢！你看过吗？那篇文章讨论了一些决策函数。@nbro这确实很有帮助，谢谢！

使用model.predict_proba（X）我得到了一个包含大量数字的大数组 我正在寻找一种方法来可视化所有类别的分类概率（在我的案例13中）。我使用了一个随机分类器 有什么建议吗？热图是可视化2D矩阵的好方法。当然，如果X中的记录数量很大，很难一次就将所有内容可视化。否则，您可能必须对记录进行采样。这里我展示了前10张唱片的视觉效果 看看这个例子： 从sklearn.dataset导入make_分类 从sklearn.employ导入随机林分类器 从sklearn.linear_模型导入逻

我有一个产品，每年1月1日发布。今年它也在同一天发布（称为版本10） 随着时间的推移，人们将开始购买该软件，随着时间的推移，软件的采用也将发生变化 我有一个关于去年收养人数的数据（称之为版本9）。如何通过使用版本9的历史数字来预测版本10的采用数量（按天计算）。您好，欢迎使用Stack Overflow。请拿着这本书读一读。这里的格式不适合讨论方法，而是用于解决特定的编码问题。我认为你应该更准确地说明你的问题，或者在其他网站上询问，比如maybe

我有二元分类，其中一个类的大小几乎是另一个类的0.1 我正在使用sklearn创建一个模型并对其进行评估。我正在使用这两个功能： print(precision_recall_fscore_support(y_real,y_pred)) out: (array([0.99549296, 0.90222222]), # precision of the first class and the second class array([0.98770263, 0.96208531]), # re

我正在尝试使用sklearn的gridsearch和xgboost创建的模型。为此，我创建了一个基于ndcg评估的自定义记分器。我成功地使用了Snippet 1，但是它太混乱了，我更愿意使用好的旧sklearn来简化代码。我尝试实现GridSearch，结果完全不正确：对于相同的X和y集，我得到了相同的结果NDCG@k=0.8（代码段1）与0.5（代码段2）。很明显我在这里没有做什么 以下代码返回的结果非常不同： 第1段： kf = StratifiedKFold(y, n_folds=5, s

胡，伙计们 我对python/anaconda/jupyter/numPy、panda等都是新手。。。。所以，如果这是一个非常愚蠢的问题，请原谅。 我正在尝试使用anaconda/jupyter获取MNIST数据库。但每次我在最后收到一个HTTP错误500。这真的是一个服务器问题（如500所示）还是我做错了什么 jupyter中的输入： from sklearn.datasets import fetch_mldata mnist = fetch_mldata('MNIST original')

我使用gensim在自己的语料库上训练了一个doc2vec和相应的word2vec。我想用t-sne和单词来可视化单词2vec。如中所示，图中的每个点也有“单词” 我在这里看到了一个类似的问题： 下面是我的代码： 进口gensim 将gensim.models导入为g from sklearn.manifold import TSNE import re import matplotlib.pyplot as plt modelPath="/Users/tarun/Desktop/PE/doc

K-均值法不能处理各向异性点。根据scikit learn，DBSCAN和高斯混合模型似乎可以处理这一问题。我尝试过使用这两种方法，但它们对我的工作不起作用 DBSCAN 我使用了以下代码： db = DBSCAN(eps=0.1,min_samples=5 ).fit(X_train,Y_train) labels_train=db.labels_ # Number of clusters in labels, ignoring noise if present. n_clusters_ =

当我使用以下函数时，我会得到属性错误 从category_编码器导入序号编码器 def标签编码（输入数据，列）： 名称=列+“\u编码” 编码器=普通编码器（返回_df=True，句柄_unknown='ignore'） input_data[name]=编码器.fit_变换（input_data[col].values）。值-1 编码器=dict（编码器.类别映射[0]['mapping']） 返回输入数据、编码器、名称 您是否可以检查运行dir（编码器）时是否显示类别映射如果列表中未显示该映

所以我理解套索回归，我不明白为什么它需要两个输入值来预测另一个值，而它只是一个二维回归 文件中说 clf.fit([[0,0], [1, 1], [2, 2]], [0, 1, 2]) 我不明白。为什么是[0,0]或[1,1]而不仅仅是[0]或[1] [[0,0], [1, 1], [2, 2]] 意味着您有3个样本/观测值，每个样本/观测值具有2个特征/变量（二维） 事实上，您可以拥有这3个样本，其中只有1个特征/变量，并且仍然能够拟合模型。 使用1个功能的示例。 from sklearn

我对Python编程非常陌生，对SKLearn和ML甚至更新。 所以请原谅我对这些问题的无知 我已经开始尝试SKLearn回归模型和代码，但在理解这个实验代码的结果时遇到了一个基本问题 给出下面的代码，我试图找出LinearRegression model predict（）函数的结果是什么，与存储在sales_数据数组中的假定商品每日销售数字相关 import numpy as np from sklearn.model_selection import train_test_split fr

我正在使用纹理分类器作为模型。我对我得到的一些结果有点困惑，主要是为什么参数gamma和C的选择对我的结果有如此大的影响。下面是对我的案例的简短描述： 我总共有195张图片，分为8类，如下所示：；木材-56，大理石-23，水泥-16，混凝土-7，瓷砖-32，地毯-18，砖-25，织物-18 我将数据按80-20的比例随机分成训练集和测试集 我使用SVC作为模型：model=SVC（C=C，random_state=42，gamma=gamma） 我用训练数据来拟合我的模型。接下来，我为我的测试数

-0.567 -4.235 上面哪个负均方误差值计算得更准确？值越高越好。因此，在您的情况下，-0.567更好。A根据sklearn评分函数，保持以下惯例较高的返回值优于较低的返回值。但是当你看均方误差或者甚至是均方绝对误差时，数值越低越好。所以他们只是翻转值的符号，以确保它符合约定。例如，-0.567导致均方误差仅为0.567，而-4.235的均方误差远高于前者 希望这有帮助

在我看来，标签编码器已经被弃用了，但如果我们的分类不包含零，我们就不得不使用它 import numpy as np from xgboost import XGBClassifier model = XGBClassifier( use_label_encoder=False, label_lower_bound=0, label_upper_bound=1 # setting the bounds doesn't seem to help ) x = np.arr

我正在处理一个非常大的数据集（150万行），并考虑使用SVR。 因为有太多的数据，我想切换到线性支持向量机和使用nystroem 从均匀采样数据生成核的方法 然而，我更愿意通过kernelk-Means构建内核，但是我没有找到一个官方的 尚未实施 这个链接提供了一个非官方的方法，但由于它是序列化的，所以会产生一个非常大的模型。 也许有人知道该从何处查找该数据，或者如何从任意数据集中按代码实现该数据？您正在处理时间序列数据吗？不，不幸的是，我正在处理住房数据。我不知道您是否可以将tslearn算

在论文“”中，作者谈到了不同类型的弱学习者：轴对齐超平面、一般定向超平面和二次型 是我遗漏了什么，还是Scikit Learn中的实现在每次拆分时都执行了与轴对齐等效的操作？您是对的，我们只执行轴对齐拆分。事实上，这是最常见的分割策略，在大多数情况下，在不增加计算复杂度的情况下，可以获得足够好的结果

我正在使用scikit学习执行二进制分类，但是标签并不是均匀分布在整个数据集中。对于我有兴趣预测少数类的情况，我对metrics.average\u precision\u score提供的平均精度度量有些担心。当我运行实验并打印分类报告时，我看到总体精度表现良好，但这显然是因为模型在预测大多数类别方面做得很好，比如： precision recall f1-score support label of interest 0.24

sklearn.decomposition.DictionaryLearning.fit具有参数X，该参数是训练向量形状（n_个样本，n_个特征）和未解释的参数y 同一类的其他函数也有参数y，它们是“目标值”，是一个形状[n_样本]数组 我不知道在创建字典时“目标值”的概念从何而来 这里有一个指向文档的链接：由于技术原因，它被忽略，就在那里。由于技术原因，它被忽略，就在那里。有没有关于这些技术原因的解释？有没有关于这些技术原因的解释？

这是我的第一次随机森林实践，不幸的是，它的性能比单个决策树差。我在这方面已经工作了一段时间，但没有找出问题出在哪里。下面是一些运行记录。我很抱歉发布完整的代码 Sklearn决策树分类器0.714285714286 Sklearn随机森林分类器0.714285714286 我自制的随机森林分类器0.628571428571 Sklearn决策树分类器0.642857142857 Sklearn随机森林分类器0.814285714286 我自制的随机森林分类器0.571428571429 Skle

我正在使用 linear\u model.sgdclassizer（loss='log'，class='weight='balanced'） 对于10类分类（类非常不平衡） 看起来，类_重量仅在训练时使用（在损耗函数中）。它们不用于得分。 因此，我使用 GridSearchCV（测试模型、我的超参数、评分class='f1\U宏'） 由于“f1_宏”，它计算“每个标签的度量，并找到它们的未加权平均值。这不考虑标签不平衡。” 我想用‘负失球’作为得分。因此，我会： GridSearchCV（测试模

嗨，我有5994个类，我的原始特征尺寸是300，我有1092008个样本，当我把n_components=200时，它给我的尺寸是33？你有什么想法吗 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA lda_model = LDA(n_components=lda_dim) lda_model.fit(x_train,labels) x_train = lda_model.transform(

我尝试在Julia 1.0.5中使用train_test_split，代码如下： using ScikitLearn using ScikitLearn.CrossValidation: train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=2019) 我得到了这个错误： INTEL MKL ERROR: /home/denis/.julia/

我使用PCA来可视化训练过程中网络高维潜在空间的演化。为此，我使用了sklearn.decomposition中的PCA函数，并每隔10个时期对潜在空间进行可视化 问题在于，在演化过程中，PCA轴的方向从一帧翻转到另一帧。虽然这不是特别重要，但它破坏了我的动态潜在空间进展。我想知道是否有办法阻止标志翻转 下面是我的动画中带有符号翻转的两个连续帧 尝试设置sklearn.decomposition.PCA的random\u状态参数 希望有帮助。我将随机状态设置为0，但问题仍然存在。不过还是要谢谢