調整閾值獲得特定的精度和召回率報錯，得不到計算得出的分數method='decision_function'

import scipy.io as sio

matfn = './data/mnist-original.mat'

data = sio.loadmat(matfn)

X = np.rot90(data['data'])

Y = np.rot90(data['label'])

X_train, X_test, y_train, y_test = X[:60000], X[60000:], Y[:60000], Y[60000:]

y_train_9 = (y_train == 9)

y_test_9 = (y_test == 9)





from sklearn.linear_model import SGDClassifier   

sgd = SGDClassifier(random_state=315)

sgd.fit(X_train, y_train_9)

print(sgd.predict([X[12814], X[1287]]))  





from sklearn.model_selection import cross_val_predict      

y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3)

# y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3, method= 'decision_function')

print(y_scores)

y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3)

y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3, method= 'decision_function')

ValueError                                Traceback (most recent call last)

<ipython-input-11-297d1a694814> in <module>

     17 from sklearn.model_selection import cross_val_predict

     18 # y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3)

---> 19 y_scores = cross_val_predict(sgd, X_train, y_train_9, cv = 3, method= 'decision_function')

     20 print(y_scores)

     21 



D:\anaconda3\lib\site-packages\sklearn\model_selection\_validation.py in cross_val_predict(estimator, X, y, groups, cv, n_jobs, verbose, fit_params, pre_dispatch, method)

    753     prediction_blocks = parallel(delayed(_fit_and_predict)(

    754         clone(estimator), X, y, train, test, verbose, fit_params, method)

--> 755         for train, test in cv.split(X, y, groups))

    756 

    757     # Concatenate the predictions



D:\anaconda3\lib\site-packages\joblib\parallel.py in __call__(self, iterable)

   1002             # remaining jobs.

   1003             self._iterating = False

-> 1004             if self.dispatch_one_batch(iterator):

   1005                 self._iterating = self._original_iterator is not None

   1006 



D:\anaconda3\lib\site-packages\joblib\parallel.py in dispatch_one_batch(self, iterator)

    833                 return False

    834             else:

--> 835                 self._dispatch(tasks)

    836                 return True

    837 



D:\anaconda3\lib\site-packages\joblib\parallel.py in _dispatch(self, batch)

    752         with self._lock:

    753             job_idx = len(self._jobs)

--> 754             job = self._backend.apply_async(batch, callback=cb)

    755             # A job can complete so quickly than its callback is

    756             # called before we get here, causing self._jobs to



D:\anaconda3\lib\site-packages\joblib\_parallel_backends.py in apply_async(self, func, callback)

    207     def apply_async(self, func, callback=None):

    208         """Schedule a func to be run"""

--> 209         result = ImmediateResult(func)

    210         if callback:

    211             callback(result)



D:\anaconda3\lib\site-packages\joblib\_parallel_backends.py in __init__(self, batch)

    588         # Don't delay the application, to avoid keeping the input

    589         # arguments in memory

--> 590         self.results = batch()

    591 

    592     def get(self):



D:\anaconda3\lib\site-packages\joblib\parallel.py in __call__(self)

    254         with parallel_backend(self._backend, n_jobs=self._n_jobs):

    255             return [func(*args, **kwargs)

--> 256                     for func, args, kwargs in self.items]

    257 

    258     def __len__(self):



D:\anaconda3\lib\site-packages\joblib\parallel.py in <listcomp>(.0)

    254         with parallel_backend(self._backend, n_jobs=self._n_jobs):

    255             return [func(*args, **kwargs)

--> 256                     for func, args, kwargs in self.items]

    257 

    258     def __len__(self):



D:\anaconda3\lib\site-packages\sklearn\model_selection\_validation.py in _fit_and_predict(estimator, X, y, train, test, verbose, fit_params, method)

    852             n_classes = len(set(y)) if y.ndim == 1 else y.shape[1]

    853             predictions = _enforce_prediction_order(

--> 854                 estimator.classes_, predictions, n_classes, method)

    855     return predictions, test

    856 



D:\anaconda3\lib\site-packages\sklearn\model_selection\_validation.py in _enforce_prediction_order(classes, predictions, n_classes, method)

    898                                  'is not supported for decision_function '

    899                                  'with imbalanced folds. {}'.format(

--> 900                                     len(classes), n_classes, recommendation))

    901 

    902         float_min = np.finfo(predictions.dtype).min



ValueError: Only 2 class/es in training fold, but 1 in overall dataset. This is not supported for decision_function with imbalanced folds. To fix this, use a cross-validation technique resulting in properly stratified folds

標籤：腳本語言(Perl/Python)

上一篇：求助！[Errno 10109] get addr info failed，從來沒遇到過這個報錯

下一篇：sprite的使用