ValueError:未知标签类型:RandomForestClassifier 中的“未知”

Posted

技术标签:

【中文标题】ValueError:未知标签类型:RandomForestClassifier 中的“未知”【英文标题】:ValueError: Unknown label type: 'unknown' in RandomForestClassifier 【发布时间】:2019-07-03 09:39:42 【问题描述】:

我正在尝试使用 RandomForestClassifier 训练数据集

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
y = transformer.fit_transform(df.category)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()

model.fit(X_train, y_train)

我的数据集是这样的

Review(text format)    Category(text format)
Its good product       good product
Its damaged product    damaged product

我收到一个错误

raise ValueError("Unknown label type: %r" % y_type)
ValueError: Unknown label type: 'unknown'

任何人都可以提出任何解决方案吗?

【问题讨论】:

【参考方案1】:

RandomForestClassifier 实例需要以下数据作为标签:

y : 类似数组,形状 = [n_samples] 或 [n_samples, n_outputs] 目标值(分类中的类标签,回归中的实数)。

transformer.fit_transform(df.category) 返回'<class 'numpy.float64'> 类型的稀疏矩阵,这不是预期的。

如果您尝试将某些数据分类为数量有限的类别,例如“好产品”、“损坏的产品”……等等,您可以不逐字地对这些数据进行编码,而是通过标签编码器将其编码为标签:

(关于预测每个单词的多标签分类见下文)

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
le = LabelEncoder()
y = le.fit_transform(df.category)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)

le.inverse_transform(model.predict(X_test))
Out:
array(['good product', 'good product'], dtype=object)

- (左右)- 这是最简单的解决方案。

如果你打算做一些多标签分类,有两个问题:

    会有很多标签,具体取决于df.category 行中不同单词的数量 稀疏矩阵是可以转换为 numpy.array 的东西,但它会占用内存,并且矩阵包含浮点数,因为它是 tf-idf 值,但RandomForestClassifier 可以很好地处理整数标签:李>

所以,

y.toarray()
array([[0.        , 0.77722116, 0.62922751, 0.        ],
       [0.84292635, 0.        , 0.53802897, 0.        ],
       [0.        , 0.        , 0.        , 1.        ],
       [0.        , 0.77722116, 0.62922751, 0.        ]])

- 好的,它可以转换为一些0, 1 整数数组,但使用MultiLabelBinarizer 更容易(注意split 应用于每一行以获得逐字而不是逐字符二值化):

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
mlb = MultiLabelBinarizer()
y = mlb.fit_transform(df.category.map(lambda x: x.split()))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)

那个情况,y 是:

y
Out:
array([[0, 1, 1, 0],
       [1, 0, 1, 0],
       [0, 0, 0, 1],
       [0, 1, 1, 0]])

它可以预测单词:

mlb.inverse_transform(model.predict(X_test))
Out:
[('good', 'product'), ('good', 'product')]

改装 TfidfTransformer 很危险 题外话,但是:你在这里改装了矢量化器:

X = transformer.fit_transform(df.Text)
print(transformer.vocabulary_)
y = transformer.fit_transform(df.category)
print(transformer.vocabulary_)
Out:
'its': 3, 'good': 1, 'product': 6, 'damaged': 0, 'sttate': 7, 'is': 2, 'unknown': 8, 'one': 5, 'more': 4
'good': 1, 'product': 2, 'damaged': 0, 'unknown': 3

- 如果您稍后尝试使用转换器对Text 数据进行一些处理,它可能会导致错误。最好实例化两个转换器并分别使用它们。

【讨论】:

以上是关于ValueError:未知标签类型:RandomForestClassifier 中的“未知”的主要内容,如果未能解决你的问题,请参考以下文章

ValueError:未知标签类型

MLP 分类器:“ValueError:未知标签类型”

ValueError:未知标签类型:DecisionTreeClassifier() 中的“连续”

ValueError:未知标签类型:SVM 中的“连续”错误

Python ValueError:未知标签类型:“连续”

ValueError:未知标签类型:拟合数据时的“连续多输出”