在scikit学习中运行线性_模型.lars_路径（模型='lasso'）时，我对套索路径的行为感到困惑 我认为，一旦权重（系数）变为活动状态（从0开始的差异），它必须在LARS算法的所有后续步骤中保持活动状态 当在我的数据上运行算法时，我注意到有时系数会变为活动的，然后它会变为零（从活动集中删除）。这是LARS算法的正确行为，还是scikit学习实现中存在错误 对于L1正则化版本的LAR来说，这是正确的行为（L1正则化回归通常被称为“套索”） 在L1版本中，如果沿LAR路径的步骤导致数据矩阵的

我试图从一组文本文档中获取单词共现矩阵。我不想自己创建矩阵并处理它们，而是想知道scikit中是否有一种方法可以从文档列表中获取单词共现矩阵 任何指向相关类的指针都将不胜感激 嗨，输出格式是什么？它是一个矩阵，其中每个条目（i，j）是单词i和j的共现计数吗？

当使用随机森林回归器（或任何集成学习器）时，处理缺失分类特征值的一般准则是什么？我知道scikit learn具有插补功能（如平均值…策略或接近度）来插补缺失值（数值）。但是，人们如何处理缺失的分类价值：比如工业（石油、计算机、汽车，无），专业（学士、硕士、博士，无） 欢迎提出任何建议。随机森林的发明者布雷曼和卡特勒提出了两种可能的策略（见）： 随机林有两种替换缺失值的方法。第一条路 速度很快。如果mth变量不是分类变量，则该方法计算 j类中该变量所有值的中值，然后使用 此值用于替换类中mth变

例如，我有一个向量x，而a是它最近的邻居。然后，b是它的下一个近邻。Pyton或R中是否有任何包输出类似于[a，b]的内容，这意味着a是其最近邻（可能通过多数票），而b是其第二最近邻。这正是这些度量树的构建目的 您的问题是，您正在使用sklearn（根据您所使用的度量标准，考虑BallTree）来询问一些简单的问题： 将numpy导入为np 从sklearn.KDTree导入 X=np.数组（[[1,1]，[2,2]，[3,3]]）#2维中的3个点 tree=KDTree（X） dist，ind

我在这里有点困惑，我对所有

我有以下两个数据帧，比如说df1 a b c d 0 0 1 2 3 1 4 0 0 7 2 8 9 10 11 3 0 0 0 15 和df2 a b c d 0 5 1 2 3 我感兴趣的是对df1中的每一行和df2中的单行进行成对操作。但是，如果df1行中的一列为0，则该列在df1行和df2行中都不用于执行成对操作。因此，每个成对操作将在不同长度的成对行上工作。让我把它分解成

当我尝试在jupyter笔记本中导入sklearn时，我收到如下错误消息： FileNotFoundError Traceback (most recent call last) <ipython-input-2-ae13d4c4c2fb> in <module> 1 # Scikit-Learn ≥0.20 is required ----> 2 import sklearn 3 assert

如果一个被记忆的函数从两个作业并行调用，会发生什么？一个调用的结果被保存，另一个被检索，或者两个调用都在不使用彼此结果的情况下运行？还是根本不支持这种情况 在文档中找不到对此的引用如果结果已被计算并保存（由同一进程或并发进程保存），则可重复使用该结果 如果两个并发进程第一次计算相同的结果，则要完成的第一个进程将结果保存在驱动器上以供以后重用，第二个进程第一次使用自己的计算结果，以后可以重用缓存的结果 此外，在Python程序结束后，缓存会保留在硬盘上，以便以后重新启动相同的脚本/程序时可以重用它

我有一个关于sklearn的特定技术问题，随机森林分类器 使用“.fit（X，y）”方法拟合数据后， 有没有办法提取实际的树 从估计器对象，以某种常见格式，因此“.predict（X）” 方法可以在python之外实现？是的，林的树存储在 森林物体 您可以查看export\u graphviz 函数了解如何编写自定义导出器： 以下是此功能的使用说明： 是的，并且@ogrisel answer使我能够实现以下代码片段，它允许使用（部分训练的）随机林来预测值。如果要交叉验证随机森林模型的树数，可以

如何在scikit learn中为随机林使用高维特征？ 我打算使用10维特征向量和向量之间的马氏距离。根据基尼和熵标准，可以生长分类树。但是，您可以自己编写一个新标准并使用它。我不理解这个问题。10维特征向量并不是真正的高维。另外，您打算如何将马氏距离用于随机林？随机林由决策树组成。树的每个节点都是基于比较的决策。对于每个比较，我们需要一个距离。我打算使用马氏距离来寻找特征向量之间的距离，并将它们用于决策树。

我正在尝试使用scikit中的线性回归拟合线性模型。从预测函数中，我得到一个点估计预测，但我需要一个可能值的分布，其中预测的点值可能是高斯分布的平均值。我想知道是否有一种方法可以从任何scikit模型中获得这样的分布。我检查了方差分数，但无法找出将其映射到方差的方法。 请提供帮助。如果您拟合的数据实际上来自线性高斯过程，并且您用来拟合的样本集足够大，并且被高斯噪声破坏，那么您可以从线性回归对象的score（）方法返回的R^2系数中获得预测的分布。R^2是1-（预测误差的方差）/（y的方差）。因此

我有一个sklearn.svm.SVC对象，并通过一些数据对其进行训练。现在我需要得到 v = TfidfVectorizer() train_data = v.fit_transform(data) clf2 = SVC(kernel='linear') clf2.fit(train_data, train_target) print clf.coef_ 为了得到集合中最有价值的单词，我需要得到clf2.coef uf稀疏矩阵的绝对值。如何通过绝对值获得前N个单词

调用model.fit（X，y）；model.get_params（）返回初始化内核时使用的值。如何获取训练模型的超参数 前面提到的model.get_params（）将返回传递到GPR初始化中的参数 它使用model.kernel.优化传递的内核内部参数 有关更多详细信息，请参阅文档和相关示例

我将第一次使用朴素贝叶斯进行文本分类。 我在以下网站上找到此代码： 我想解决一个关于传递给函数fit（）的参数X\u train\u tfidf，tworn\u train.target的疑问 X_train_tfidf是序列集中所有文档的tfidf向量表示 目标是文档的相应标签，其顺序与X\u train\u tfidf集合中显示的顺序一致 我说的对吗？简短的回答：是的 详细回答：这适用于使用API找到的每个fit方法。给定维度为[m，n]的文档的矩阵X，目标向量Y将具有维度[n，1]，并且文

[[1 0 1][1 0 1][0 1 0][0 1 0]] feature0有值男性和女性，为什么一个热输出三个cols和columntransformer？首先，欢迎使用StackOverflow。根据社区的建议，建议在源代码中加入上下文，以便获得正确的响应。首先请检查文档，欢迎来到StackOverflow。根据社区的建议，建议在源代码中加入上下文，以便获得正确的响应。请检查文件 from sklearn.preprocessing import OrdinalEncoder from s

我正在处理一个回归问题，希望评估使用不同标准化方法的效果（StandardScaler，RobustScaler，Normalizer，…）。 稍后，我还想评估处理缺失数据的不同方法（SimpleImputer，IterativeImputer） 这是我目前的设置 # Create some dummy data X = pd.DataFrame({ 'x1': np.random.rand(1000)*123 - 83, 'x2': np.random.rand(1000)*2

我一直在试验iris数据集，希望创建一个混淆矩阵。我创建混淆矩阵的代码如下： from sklearn.metrics import confusion_matrix mat = confusion_matrix(ytest, y_model) sns.heatmap(mat, square=True, annot=True, cbar=False) plt.xlabel('predicted value') plt.ylabel('true value'); 结果在顶部和底部都被切断了。

我想用Keras的序列模型来预测序列。我的数据帧包含字符串数据，因此我决定使用sklearn库中的LabelEncoder对字符串数据进行编码 我尝试了以下代码片段： import pandas as pd df = pd.read_csv("sample-03.csv") from sklearn.preprocessing import LabelEncoder df.apply(LabelEncoder().fit_transform) 给出这个结果： 此标签编码

我有一个类似这样的sklearn管道 您会注意到重复的步骤，features\u to\u vectorize，位于FeatureUnion的左侧和右侧功能向量化是对数据帧列应用指令向量化器的结果。然后，我想将特性\u矢量化，并将其与自身的转换连接起来。我当前的设置复制了转换，因为我不确定如何在features\u\u矢量化处创建一个fork，在那里我可以为该数据创建一个传递，但也可以对该数据应用转换，然后再对其应用FeatureUnion转换。有没有办法更好地设置它以避免重复计算？谢谢 su

我一直在自学和实践sklearn library。当我参加Kaggle竞赛时，我注意到提供的示例代码使用了sklearn.base中的BaseEstimator。 我不太明白如何/为什么使用BaseEstimator from sklearn.base import BaseEstimator class FeatureMapper: def __init__(self, features): self.features = features #featur

为了在大约400 MB的文本数据中运行NB分类器，我需要使用矢量器 vectorizer = TfidfVectorizer(min_df=2) X_train = vectorizer.fit_transform(X_data) 但这是一个内存不足的错误。我正在使用Linux64，它是python的64位版本。人们如何在Scikit for large data set（文本）中完成矢量化过程 回溯（最近一次呼叫最后一次）： 文件“ParseData.py”，第234行，在 main（） 文

我试图用k-均值聚类1000维250k向量。我正在工作的机器有80个双核 只是确认一下，是否有人比较了k-means默认批处理并行版本和k-means迷你批处理版本的运行时间？关于sklean的文档没有提供太多信息，因为数据集非常小 非常感谢你的帮助 在这方面，认为小批量K-Means对于10000个以上的样本应该更快、更有效。由于您有250000个样本，如果您不想自己测试，您可能应该使用mini-batch 请注意，通过更改此行中的n_样本，可以很容易地将示例更改为5000点、10000点或2

我想知道sklearn函数sklearn.linear_model.Lasso中参数“selection”的作用 我猜这个参数设定了套索解算器的优化方式，但我想知道它到底是如何工作的。我读了这些文件，但我没有完全理解 你能解释一下吗 选择=‘循环’与选择=‘随机’之间有什么不同？与随机坐标下降之间有什么不同。它一次循环一个特征（即坐标），使每个坐标的成本函数最小化 通过所有特征协调下降循环： 随机化随机选择每个特征： 在sklearn中使用它。很酷。多亏了你，我才知道坐标下降是什么！非常感谢

我有一个不平衡的tweet数据集，标记为-1，0，+1。 我想通过上采样来平衡数字。我收到以下错误： tweet_train=tweet_train.reshape(-1, 1) X_train_upsample, y_train_upsample = SMOTE(random_state=42).fit_sample(tweet_train, y_train) 无法将字符串转换为浮浮式：无法将字符串转换为浮式：无法将字符串转换为浮式：无法将字符串转换为浮式：无法将151575日日日日日方方方

例如，库中的信息可能很有用，它允许用户选择所有基于树的集成模型，这些集成模型处理具有多个输出的回归/分类器任务 我认为用户可以在图书馆中逐渐创建这些元数据，如果它还不存在的话 比如： [model_entry for model_entry in sklearn.meta_info if model_entry.2d_y and model_entry.ensemble] 但是有更好的名字 您可以随时使用estimator标签获取此类信息：这正是我要搜索的内容。

嗨，我正在练习ML模型，在尝试预测看不见的数据时遇到了问题。 对分类数据执行onehotencoding时出错 from sklearn.preprocessing import LabelEncoder,OneHotEncoder labelencoder_x_1 = LabelEncoder() #will encode country X[:,1] = labelencoder_x_1.fit_transform(X[:,1]) labelencoder_x_2 = LabelEncod

这里，best_model_lda是一个基于sklearn的lda模型，我们正试图为该模型找到一致性分数 coherence_model_lda = CoherenceModel(model = best_lda_model,texts=data_vectorized, dictionary=dictionary,coherence='c_v') coherence_lda = coherence_model_lda.get_coherence() print('\n Coherence Sco

我正在使用HistGradientBoostingRegressionor 我的代码：- X_train, X_test, y_train, y_test = train_test_split(Train, target, test_size=0.2, random_state=16) model = HistGradientBoostingRegressor(learning_rate = 0.1, max_ite

每次运行训练数据集、预测测试集上的值，然后计算相关系数和MSE值的同一段代码时，值都会发生变化，这正常吗？为什么会发生这种情况 import pandas as pd from sklearn import tree from scipy.stats import linregress training = pd.read_csv('csvfile1.csv') #training data set target = pd.DataFrame(training, columns=['ta

我是python的Nmf新手。我试图创建一个图像列表，然后获取组件。代码如下： from skimage import color from skimage import io import matplotlib.pyplot as plt f=color.rgb2gray(io.imread('f.jpg')) e=color.rgb2gray(io.imread('e.jpg')) images2= (e,f) from sklearn.decomposition import NM

请帮助我解决我的问题。我不为这些问题工作 代码如下： 下面是错误： 您基本上没有安装sklearn库。。因此，首先使用下面的命令安装sklearn pip安装sklearn 然后运行代码，它将解决您的问题。如果您的电脑上已经安装了PIP，那么只需运行一个命令PIP install sklearn，就可以轻松安装sklearn模块。你可以参考https://scikit-learn.org/stable/install.html. 否则您将需要安装pip。参考https://phoenixnap.

作为一个玩具问题，我的数据具有均匀和独立的噪声，因此我想定义一个新的噪声鲁棒损失函数。它看起来像是沿着 L=[（1-p）L（t，y）-pl（t，y）]/（1-2p） 其中x是我的数据中损坏的度量，l是我们的标准（例如日志丢失）损失。我不知道如何从scikit learn中更改SVM中的损失函数。任何指针都会有帮助吗

当我运行教程中的以下代码时，我几乎每次尝试的视频都会在结尾处出现以下错误 资料来源： 我得到以下错误： from sklearn import preprocessing, cross_validation ImportError: cannot import name 'cross_validation' from 'sklearn 我进行了pip安装，根据其他建议改变了交叉验证的方式，但我仍然无法解决它。我在sklearn中找不到作为库的交叉验证 您需要使用sklearn.model_s

我不理解scikit learn中的覆盖率错误是如何计算的，可在sklearn.metrics模块中找到。文件中的说明如下： coverage_error函数计算最终预测中必须包含的标签的平均数量，以便预测所有真实标签 例如： import numpy as np from sklearn.metrics import coverage_error y_true = np.array([[1, 0, 0], [0, 1, 1]]) y_score = np.array([[1, 0, 0], [

我正在scikit学习中构建决策树。搜索stackoverflow可以找到一种方法来提取与每个叶关联的规则。现在我的目标是将这些规则应用到新的观察中，看看新的观察结果会怎样 这是一个抽象的例子。假设我们得到了叶1的规则。a7，则观察属于叶#1。现在，我想做一个新的观察，并将这些规则应用到它身上，以检查它最后是什么叶子 我试图使用决策树进行分割 可以找到将决策树分类器与scikit学习结合使用的示例。该示例包括训练分类器和验证第二个数据集的结果 将经过训练的决策树应用于新数据样本时，可使用返回结果

我尝试运行时遇到以下错误： from sklearn.neural_network import MLPClassifier 错误： from sklearn.neural_network import MLPClassifier Traceback (most recent call last): File "<ipython-input-77-6113b65dfa44>", line 1, in <module> from sklearn.neural_netwo

我尝试用RFECV进行特征选择，但每次都会给出不同的结果，交叉验证是将样本X划分为随机块还是顺序确定块 另外，为什么网格分数和scoreX，y的分数不同？为什么分数有时是负数？交叉验证是将样本X划分为随机组块还是顺序确定组块 默认情况下，CV将数据划分为确定性块。您可以通过将shuffle参数设置为True来更改此行为 但是，如果y是二进制或多类，则使用sklearn.model_selection.StratifiedKFold 这意味着它将分割数据，使每个折叠具有相同或几乎相同的类比率。为了

我试图复制本文中报告的超参数调优示例，但我希望在我的培训应用程序中使用scikit learn XGBoost而不是tensorflow 我能够在一个作业中运行多个试验，针对每个hyperparameters组合。但是，ML引擎返回的训练输出对象不包括finalMetric字段，该字段报告度量信息（请参见下图中的差异） 我从上面的链接示例中得到： 使用XGBoost运行我的培训应用程序得到了什么： XGBoost是否有办法将培训指标返回到ML引擎 根据文档中的规定，tensorflow的此过

我有LinearSVC算法，可以预测股票的一些数据。它有90%的acc评级，但我认为这可能是因为一些y的可能性比其他的大得多。我想看看是否有一种方法可以确定，对于我定义的每个y，y的预测准确度有多高 我在文档中没有看到过类似的内容，但拥有它是有意义的。您可以使用SciKit中实现的表示，在每个属性的分类问题的预测值和实际值之间生成精度矩阵。对角线表示原始精度，可以很容易地转换为百分比精度。如果您真正想要的是信心的度量，而不是实际的概率，您可以使用方法LinearSVC.decision\u fu

我使用一个不平衡的数据来使用scikit learn进行分类，为了提高模型的准确性，我使用SMOTE技术创建了更多的合成数据。 我想知道用GridSearch实现超参数优化的最佳时机。 我应该只使用原始数据还是原始+合成数据 您是在谈论如何将SMOTE这样的过采样方法与sklearn的GridSearchCV结合使用吗？我做这个假设是因为你的帖子上有一个scikit学习标签 如果是这样，您可以使用管道对象将过采样的SMOTE数据传递到GridSearchCV。如果您希望通过GridSearchC

我正在使用sklearn AdaboostClassifier和DecisonTreeClassier测试UCI存储库中的鲍鱼数据集。我刚刚检查了DecisonTreeClassifier的性能，最大深度为1，我发现它总是>80%，我如何使用这样的树作为弱学习者 对于决策树，我使用max_depth=1和splitter='random'，从文档中，“random”表示“random best”，因此它不会随机选取任何要分割的特征 我该如何处理这种情况？谢谢。由于数据集不平衡，您可能会达到80%

在标题中，我想知道在哪里可以检查scikit learn中RandomForestClassifier使用了哪些决策树算法。它在attributesbase\u estimator\uu=DecisionTreeClassifier中说，那么scikitlearn中DecisionTreeClassifier的后面是CART，这是我的答案吗 链接到scikit学习 任何建议都将不胜感激Scikit learn默认使用优化版的购物车（） 它通过“使用产生最大信息增益的特征和阈值”来构建树。可使用R

我正在实现一个自定义转换器以在我的管道中使用，它在初始化时使用参数myClusters（现在称为K-Means Clustering，但只是一个测试类）： 管道本身通过skicit optimize进行调整： from skopt import BayesSearchCV from sklearn.pipeline import Pipeline from sklearn import tree opt = BayesSearchCV( Pipeline([ ('KMe

我试图在scikit学习（sklearn.feature\u selection.SelectKBest）中使用卡方方法进行特征选择。当我试图将此应用于多标签问题时，我得到以下警告： UserWarning:重复的分数。结果可能取决于特征顺序。可能存在重复的特征，或者您将分类分数用于回归任务。 警告（“重复分数。结果可能取决于功能排序。” 为什么会出现这种情况以及如何正确应用功能选择是这种情况？代码警告您，可能需要执行任意平分，因为某些功能的分数完全相同 也就是说，特征选择实际上并不适用于开箱即

在Ubuntu和RandomTreeClassifier上的Python 2.7中成功使用scikit学习库（0.13.1），树外加载成功，但无法加载AdaBoost，收到IMportError:无法导入名称AdaBoost。一般来说，linux和软件包安装相对较新，但有些人认为AdaBoost或依赖项没有正确编译/构建。感谢您提供的任何帮助，我们无法通过谷歌搜索或本论坛找到任何类似的帮助。AdaBoostClassifier目前仅在开发分支中提供，该分支将在未来某个时候发布0.14版本，请参阅

我正在使用SMOTE（IMBRearn library）交叉验证中的管道来检查欺诈和非欺诈客户的不平衡数据集 gbm0=GradientBoostingClassifier（随机状态=10） 采样器=['SMOTE'，SMOTE（随机状态=随机状态，比率=0.5，种类='borderline1'）]] 分类器=['gbm'，gbm0] 管道=[ ['{}-{}'。格式（采样器[0]，分类器[0]）， 制作_管道（取样器[1]，分类器[1]）] 用于采样器中的采样器 ] stdsc=Standa

我正在努力理解以下内容： Scikit learn为岭回归提供了一个多输出版本，只需交付一个2D数组[n_样本，n_目标]，但它是如何实现的 假设每个目标的每个回归都是独立的是否正确？在这些情况下，我如何调整它，以便为每个回归使用单独的alpha正则化参数？如果我使用GridSeachCV，我必须交出一个可能的正则化参数矩阵，或者这是如何工作的 提前感谢-我已经搜索了几个小时，但找不到关于这个主题的任何内容。我将尝试一下，因为我一直在为自己的工作研究这个问题。我会把问题分解成几个部分，这样你就

我尝试将KerasClassifier（包装器）放入final\u model.h5 validator = GridSearchCV(estimator=clf, param_grid=param_grid) grid_result = validator.fit(train_images, train_labels) best_estimator = grid_result.best_estimator_ best_estimator.model.save("final_model.h5"

我正在尝试使用scikit-learn和对所有功能进行排序。如果排序的特征数k小于特征总数n，则该方法效果良好。但是，如果我设置了k=n，则SelectKBest的输出顺序将与原始要素数组的顺序相同。如何根据其重要性对所有功能进行排序 代码如下： from sklearn.feature_selection import SelectKBest, f_regression n = len(training_features.columns) selector = SelectKBest(f_

我试图在一个非常特定的环境中应用PCA，但遇到了一种我无法解释的行为。 作为一个测试，我使用您可以在这里检索的文件数据运行以下代码：（numpy数组格式） 我的问题如下：因为我没有指定任何数量的组件，所以我应该在这里使用所有计算组件进行重构。因此，我希望我的输出项目与输入测试相同。但一个快速的情节证明情况并非如此： plt.figure() plt.plot(test[0]-proj[0]) plt.show() 这里的图将显示投影和输入矩阵之间的一些较大差异 有人有什么想法或解释来帮助我理解