ValueError:在进行加权预测时,操作数无法与形状 (7,) (624,3) 一起广播
Posted
技术标签:
【中文标题】ValueError:在进行加权预测时,操作数无法与形状 (7,) (624,3) 一起广播【英文标题】:ValueError: operands could not be broadcast together with shapes (7,) (624,3) while doing weighted predictions 【发布时间】:2021-11-07 19:58:27 【问题描述】:我正在对七个模型的预测概率进行集成。每个模型输出三个类。我计算了七个模型中每个模型的预测的权重。这些预测的权重存储在变量“prediction_weights”中。加权平均代码如下:
prediction_weights = np.array([[3.66963025e-01, 1.08053256e-01,1.14617370e-01, 4.10366349e-01,
6.16391075e-14, 4.37376684e-14, 9.26785075e-18]])
weighted_predictions7 = np.zeros((nb_test_samples, num_classes),
dtype='float32')
for weight, prediction in zip(prediction_weights, preds):
weighted_predictions7 += weight * prediction
yPred7 = np.argmax(weighted_predictions7, axis=1)
yTrue = Y_test.argmax(axis=-1)
accuracy = metrics.accuracy_score(yTrue, yPred7) * 100
np.savetxt('weighted_averaging_7_y_pred.csv',
weighted_predictions7,fmt='%f',
delimiter = ",")
我收到以下错误:
File "<ipython-input-16-8f3a15c0fec1>", line 2, in <module>
weighted_predictions7 += weight * prediction
ValueError: operands could not be broadcast together with shapes (7,) (624,3)
以下是变量的形状:
prediction_weights: (1,7) - Array of Float 64
nb_test_samples: 1 - int
num_classes: 1 - int
weighted_predictions7: (624,3) - Array of float32
Y_test: (624,3) - Array of float32
yTrue: (624,) - Array of Int64
【问题讨论】:
如果weight
和 prediction
是 numpy 数组,那么抛出错误的行是尝试在这些数组之间进行逐元素乘法。但是,它们是不同的形状,它不知道如何解释执行。您需要确定如何进行乘法运算并更明确地处理它,或者使两个数组匹配形状。
我的印象是,您的问题实际上是关于确定各种数据的维度应该是什么,以便系统在理论上有意义,而不是与代码本身有关。
【参考方案1】:
简单替换
prediction_weights = np.array([[3.66963025e-01, 1.08053256e-01,1.14617370e-01, 4.10366349e-01,
6.16391075e-14, 4.37376684e-14, 9.26785075e-18]])
通过
prediction_weights = [3.66963025e-01, 1.08053256e-01,1.14617370e-01, 4.10366349e-01,
6.16391075e-14, 4.37376684e-14, 9.26785075e-18]
解决了错误。
【讨论】:
以上是关于ValueError:在进行加权预测时,操作数无法与形状 (7,) (624,3) 一起广播的主要内容,如果未能解决你的问题,请参考以下文章
ValueError:操作数无法与形状一起广播 (2501,201) (2501,)
线性回归器无法预测一组值;错误:ValueError:形状(100,1)和(2,1)未对齐:1(dim 1)!= 2(dim 0)
拓端tecdat|R语言编程指导用线性模型进行臭氧预测: 加权泊松回归,普通最小二乘,加权负二项式模型,多重插补缺失值