使用 scikit-learn python 的线性 SVM 时出现 ValueError

Posted

技术标签:

【中文标题】使用 scikit-learn python 的线性 SVM 时出现 ValueError【英文标题】:ValueError while using linear SVM of scikit-learn python 【发布时间】:2014-04-05 16:49:52 【问题描述】:

我目前正在研究 ODP 文档的大规模分层文本分类。提供给我的数据集是 libSVM 格式。我正在尝试运行 python 的 scikit-learn 的线性内核 SVM 来开发模型。以下是来自训练样本的样本数据:

29 9454:1 11742:1 18884:14 26840:1 35147:1 52782:1 72083:1 73244:1 78945:1 79913:1 79986:1 86710:3 117286:1 139820:1 142458:1 146315:1 151005:2 161454:3 172237:1 1091130:1 1113562:1 1133451:1 1139046:1 1157534:1 1180618:2 1182024:1 1187711:1 1194345:3 

33 2474:1 8152:1 19529:2 35038:1 48104:1 59738:1 61854:3 67943:1 74093:1 78945:1 88558:1 90848:1 97087:1 113284:16 118917:1 122375:1 124939:1 

以下是我用来构建线性SVM模型的代码

from sklearn.datasets import load_svmlight_file
from sklearn import svm
X_train, y_train = load_svmlight_file("/path-to-file/train.txt")
X_test, y_test = load_svmlight_file("/path-to-file/test.txt")
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)
print clf.score(X_test,y_test)

在运行 clf.score() 时,我收到以下错误:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-6-b285fbfb3efe> in <module>()
      1 start_time = time.time()
----> 2 print clf.score(X_test,y_test)
      3 print time.time() - start_time, "seconds"

/Users/abc/anaconda/lib/python2.7/site-packages/sklearn/base.pyc in score(self, X, y)
    292         """
    293         from .metrics import accuracy_score
--> 294         return accuracy_score(y, self.predict(X))
    295 
    296 

/Users/abc/anaconda/lib/python2.7/site-packages/sklearn/svm/base.pyc in predict(self, X)
    464             Class labels for samples in X.
    465         """
--> 466         y = super(BaseSVC, self).predict(X)
    467         return self.classes_.take(y.astype(np.int))
    468 

/Users/abc/anaconda/lib/python2.7/site-packages/sklearn/svm/base.pyc in predict(self, X)
    280         y_pred : array, shape (n_samples,)
    281         """
--> 282         X = self._validate_for_predict(X)
    283         predict = self._sparse_predict if self._sparse else self._dense_predict
    284         return predict(X)

/Users/abc/anaconda/lib/python2.7/site-packages/sklearn/svm/base.pyc in _validate_for_predict(self, X)
    402             raise ValueError("X.shape[1] = %d should be equal to %d, "
    403                              "the number of features at training time" %
--> 404                              (n_features, self.shape_fit_[1]))
    405         return X
    406 

ValueError: X.shape[1] = 1199847 should be equal to 1199830, the number of features at training time

有人可以告诉我这段代码或我拥有的数据到底有什么问题吗?提前致谢

下面附上X_train、y_train、X_test、y_test的值:

X_train:

  (0, 9453)         1.0
  (0, 11741)    1.0
  (0, 18883)    14.0
  (0, 26839)    1.0
  (0, 35146)    1.0
  (0, 52781)    1.0
  (0, 72082)    1.0
  (0, 73243)    1.0
  (0, 78944)    1.0
  (0, 79912)    1.0
  (0, 79985)    1.0
  (0, 86709)    3.0
  (0, 117285)   1.0
  (0, 139819)   1.0
  (0, 142457)   1.0
  (0, 146314)   1.0
  (0, 151004)   2.0
  (0, 161453)   3.0
  (0, 172236)   1.0
  (0, 187531)   2.0
  (0, 202462)   1.0
  (0, 210417)   1.0
  (0, 250581)   1.0
  (0, 251689)   1.0
  (0, 296384)   2.0
  : :
  (4462, 735469)    1.0
  (4462, 737059)    15.0
  (4462, 740127)    1.0
  (4462, 743798)    1.0
  (4462, 766063)    1.0
  (4462, 778958)    2.0
  (4462, 784004)    4.0
  (4462, 837264)    2.0
  (4462, 839095)    22.0
  (4462, 844735)    6.0
  (4462, 859721)    2.0
  (4462, 875267)    1.0
  (4462, 910761)    1.0
  (4462, 931244)    1.0
  (4462, 945069)    6.0
  (4462, 948728)    1.0
  (4462, 948850)    2.0
  (4462, 957682)    1.0
  (4462, 975170)    1.0
  (4462, 989192)    1.0
  (4462, 1014294)   1.0
  (4462, 1042424)   1.0
  (4462, 1049027)   1.0
  (4462, 1072931)   1.0
  (4462, 1145790)   1.0

y_train:

[  2.90000000e+01   3.30000000e+01   3.30000000e+01 ...,   1.65475000e+05
   1.65518000e+05   1.65518000e+05]

X_test:

  (0, 18573)    1.0
  (0, 23501)    1.0
  (0, 29954)    1.0
  (0, 42112)    1.0
  (0, 46402)    1.0
  (0, 63041)    2.0
  (0, 67942)    2.0
  (0, 83522)    1.0
  (0, 88413)    2.0
  (0, 99454)    1.0
  (0, 126041)   1.0
  (0, 139819)   1.0
  (0, 142678)   1.0
  (0, 151004)   1.0
  (0, 166351)   2.0
  (0, 173794)   1.0
  (0, 192162)   3.0
  (0, 210417)   2.0
  (0, 254468)   1.0
  (0, 263895)   2.0
  (0, 277567)   1.0
  (0, 278419)   2.0
  (0, 279181)   2.0
  (0, 281319)   2.0
  (0, 298898)   1.0
  : :
  (1857, 1100504)   3.0
  (1857, 1103247)   1.0
  (1857, 1105578)   1.0
  (1857, 1108986)   2.0
  (1857, 1118486)   1.0
  (1857, 1120807)   9.0
  (1857, 1129243)   2.0
  (1857, 1131786)   1.0
  (1857, 1134029)   2.0
  (1857, 1134410)   5.0
  (1857, 1134494)   1.0
  (1857, 1139045)   25.0
  (1857, 1142239)   3.0
  (1857, 1142651)   1.0
  (1857, 1144787)   1.0
  (1857, 1151891)   1.0
  (1857, 1152094)   1.0
  (1857, 1157533)   1.0
  (1857, 1159376)   1.0
  (1857, 1178944)   1.0
  (1857, 1181310)   2.0
  (1857, 1182023)   1.0
  (1857, 1187098)   1.0
  (1857, 1194344)   2.0
  (1857, 1195819)   9.0

y_test:

[  2.90000000e+01   3.30000000e+01   1.56000000e+02 ...,   1.65434000e+05
   1.65475000e+05   1.65518000e+05]

【问题讨论】:

你能给出所有 X 和 Y 的形状吗? @tk 我已经更新了我的问题以发布值。 【参考方案1】:

predict() 函数需要二维数组中的值,但 X_train.data[4] 在一维数组中。您可以简单地添加数组括号(例如 [X_train.data[4]] )将一维数组转换为二维数组

print(clf.predict([X_train.data[4]]))

【讨论】:

【参考方案2】:

在我的例子中,这是通过删除已经创建的模型来解决的。如果您在训练期间使用 --fixed_model_name 选项,可能会发生这种情况。假设训练数据或数据格式(在我的情况下,两者都是 - 数据和 md 到 json)已更改 ==> 它创建的模型没有任何问题,但是当我们发布查询时,此消息会显示 rasa 错误。

【讨论】:

【参考方案3】:

发现问题!!

# -*- coding:utf-8 -*-
    文件应使用 utf-8 编码 数据框对象应重新调整形状。喜欢X_train.values[4].reshape(1, -1)

【讨论】:

【参考方案4】:

您可以使用n_features 选项。

X_train, y_train = load_svmlight_file("/path-to-file/train.txt")
X_test, y_test = load_svmlight_file("/path-to-file/test.txt", n_features=X_train.shape[1])

这个错误也可以通过load_svmlight_files来解决

from sklearn.datasets import load_svmlight_files
X_train, y_train, X_test, y_test = load_svmlight_files(['/path-to-file/train.txt', '/path-to-file/test.txt'])

【讨论】:

【参考方案5】:

错误信息

ValueError: X.shape[1] = 1199847 should be equal to 1199830, the number of features at training time

自我解释:测试数据中的特征数量与用于训练模型的训练数据相比是不同的。即X_train.shape[1] 不等于X_test.shape[1]

您应该检查它们为什么不相等,因为它们应该是。

一种可能性是它们被加载为稀疏矩阵,并且特征的数量由load_svmlight_file 推断。如果测试数据包含训练数据看不到的特征,则生成的X_test 可能具有更大的维度。为避免这种情况,您可以通过传递参数 n_features 来指定 load_svmlight_file 中的特征数量。

【讨论】:

以上是关于使用 scikit-learn python 的线性 SVM 时出现 ValueError的主要内容,如果未能解决你的问题,请参考以下文章

机器学习系列4 使用Python创建Scikit-Learn回归模型

如何使用 Python (scikit-learn) 计算 FactorAnalysis 分数?

将 PMML 模型导入 Python (Scikit-learn)

python 使用scikit-learn框架来分类

python 使用scikit-learn进行文档分类

python机器学习——使用scikit-learn训练感知机模型