CS231n课程作业KNN的实现中问题： np.bincount()位置ValueError: object too deep for desired array

我在做cs231n课后作业的knn这部分作业的时候借鉴知乎大神的代码https://zhuanlan.zhihu.com/p/28204173

主要贴出博主遇到问题的地方

主程序中部分

#****************交叉验证******************#
num_folds=5
k_choices=[1,3,5,9,11,13,15,20,50]
x_train_folds=[]
y_train_folds=[]

y_train=y_train.reshape(-1,1) 
x_train_folds=np.array_split(x_train,num_folds)  #1
y_train_folds=np.array_split(y_train,num_folds)

k_to_accuracies={}  #2

for k in k_choices:
    k_to_accuracies.setdefault(k,[])
for i in range(num_folds):   #3
    classifier=KNearestNeighbor()
    x_val_train=np.vstack(x_train_folds[0:i]+x_train_folds[i+1:])   #3.1
    y_val_train = np.vstack(y_train_folds[0:i] + y_train_folds[i + 1:])
    y_val_train=y_val_train[:,0] #逗号十分重要
    classifier.train(x_val_train,y_val_train)
    for k in k_choices:
        y_val_pred=classifier.predict(x_train_folds[i],k=k)  #3.2
        num_correct=np.sum(y_val_pred==y_train_folds[i][:,0])
        accuracy=float(num_correct)/len(y_val_pred)
        k_to_accuracies[k]=k_to_accuracies[k]+[accuracy]

for k in sorted(k_to_accuracies):  #4
    sum_accuracy=0
    for accuracy in k_to_accuracies[k]:
        print('k=%d, accuracy=%f' % (k,accuracy))
        sum_accuracy+=accuracy
    print('the average accuracy is :%f' % (sum_accuracy/5))
##不同k值下的准确值的曲线
for k in k_choices:
    accuracies=k_to_accuracies[k]
    plt.scatter([k]*len(accuracies),accuracies) 

accuracies_mean=np.array([np.mean(v) for k,v in sorted(k_to_accuracies.items())])
accuracies_std=np.array([np.std(v) for k ,v in sorted(k_to_accuracies.items())])
plt.errorbar(k_choices,accuracies_mean,yerr=accuracies_std)
plt.title('cross-validation on k')
plt.xlabel('k')
plt.ylabel('cross-validation accuracy')
plt.show()

#************用最好的k值进行预测计算
best_k=input("请输入最好的k值\t")
best_k = 10
classifier=KNearestNeighbor()
classifier.train(x_train,y_train)
y_test_pred = classifier.predict(x_test,k=best_k)

num_correct = np.sum(y_test_pred == y_test)
accuracy = float(num_correct) / num_test
print('got %d / %d correct => accuracy: %f' % (num_correct, num_test, accuracy))

报错所在

  def predict_labels(self,dists,k=1):   
      num_test=dists.shape[0]
      y_pred=np.zeros(num_test)
      for i in range(num_test):
          closest_y[]=[]
          y_indicies=np.argsort(dists[i,:],axis=0)  #将dists按从小到大排序并返回索引
          closest_y=self.y_train[y_indicies[: k]]   #最近的k个值赋给closest_y
          print(closest_y)
          y_pred[i]=np.argmax(np.bincount(closest_y)) ###此处报错
      return y_pred

交叉验证和用指定k值运算正确率分开运行都可以运行，但在先交叉验证找出最佳k之后再用最佳k进行预测计算，就会报错ValueError: object too deep for desired array

通过帮助文档有以下语句：x是1维非负的

help(numpy.bincount)

bincount(...)
    bincount(x, weights=None, minlength=0)
 Parameters
    ----------
    x : array_like, 1 dimension, nonnegative ints
        Input array.

我在程序中通过print(closest_y)打印来：

交叉验证时打印的是这样的

在测试集调用时也就是出错时，closest_y是这样的

直观来看确实是维度太深了。关键是什么这次调用的时候就出错？在之前那么多次调用就不出错？，我尝试了一上午想在此基础上修改，未果，先记之，如有朋友知道修改方法，欢迎指教和讨论。

另附上其他博友通过另外方式实现的链接：https://blog.csdn.net/stalbo/article/details/79281901

******************5月6日更新内容***************

今天在做SVM的作业的时候，看到了numpy.squeeze（）这个函数，突然想到说不定可以用，此函数的作用是从数组的形状中删除单维条目，即把shape中为1的维度去掉，参考博客点击打开链接。然后我就用这个函数进行改造，代码如下：

  def predict_labels(self,dists,k=1):   
      num_test=dists.shape[0]
      y_pred=np.zeros(num_test)
      for i in range(num_test):
        closest_y=[]
        y_indicies=np.argsort(dists[i,:],axis=0)  #将dists按从小到大排序并返回索引
        closest_y=self.y_train[y_indicies[: k]]   #最近的k个值赋给closest_y
        if np.shape(np.shape(closest_y))[0] !=1:  ############增加程序
            closest_y=np.squeeze(closest_y)       ############增加程序
       

        y_pred[i]=np.argmax(np.bincount(closest_y)) 
      return y_pred

因为一维数组用两次shape之后是返回的是1，而多维的大于1，所以加入一个if的选择语句，当返回非1时用np.squeeze进行降维,之后再用np.bincount()就不会出错了。