scikit-learn.metrics的multiclass-multioutput报错解决

最新推荐文章于 2022-08-03 08:06:23 发布
最新推荐文章于 2022-08-03 08:06:23 发布
阅读量1.4k 收藏
点赞数 1
分类专栏： 错误记录 文章标签： pycharm python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/phynikesi/article/details/109599056
版权

错误记录

使用scikit-learn.metrics 计算Presion、Accuracy、Recall和F1值，评估模型性能，报错“ValueError: multiclass-multioutput is not supported”。

实际数据y_true=[[0,0,0,1],[0,0,1,0]]，y_pred=[[0,0,0,1],[0,1,0,0]]。

原因，数据没有问题，版本差异，在scikit-learn==0.20.4上面出错，更新为scikit-learn==0.22.2以上即可正常使用。

phynikesi
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
ValueError: multiclass-multioutput is not supported
追梦鸟
08-15 8006
ValueError: multiclass-multioutput is not supported 看了函数里的具体介绍，如下： 发现自己是输入数据的维度有问题，应为一维的（本人的是二维的） **方法：**将维度改为一维的 注意：110的不能转为10 101的才能转为10 所以 本人在reshape（红色框）之前，还做了转置 （因为我的原始是1*10的形式，10代表个数哈） 改为上面的代码后，效果图如下： ...
python代码报错：ValueError: multiclass format is not supported（已解决）
csdn_1_10086的博客
04-09 1万+
ValueError: multiclass format is not supported 找到报错的位置 def compute_auc(pred, label): if isinstance(pred, torch.Tensor): pred = pred.cpu().detach().numpy().flatten() if isinstance(label, torch.Tensor): label = label.cpu().detach().nu
sklearn.metrics中报错multiclass-multioutput format is not supported问题解决
yun5945的博客
06-20 9626
多标签问题是单标签问题的拓展，比单标签问题解决起来要棘手的多 报错出现multiclass-multioutput format is not supported 很有可能是你的多标签的解释变量（是一个0、1矩阵）里面有非0非1 的数字比如： [[0 1 0 … 0 0 0] [0 1 0 … 0 0 0] [1 1 0 … 0 2 0] [0 1 0 … 0 1 0] [1 0 1 … 0 0 0] [0 0 1 … 0 0 0]] 注意注意！！！！如果你是自己手动实现one-hot编码的话，很有可能出现
ValueError: multiclass format is not supported
qq_40421793的博客
08-03 1664
ValueError: multiclass format is not supported
Python 多分类求MAP ValueError: multiclass format is not supported
weixin_47681965的博客
07-11 1855
训练多分类模型时，为了观察训练的效果，使用average_precision_score（）函数求准确度MAP时报错： raise ValueError(“{0} format is not supported”.format(y_type)) ValueError: multiclass format is not supported 原因分析： 之前的二分类任务使用该函数没有问题，想到这次的任务是多分类，该函数应该只可以处理二分类问题，也可以把多分类转变成二分类问题，输出的标签正确与否设置为0和1。..
scikit-learn-1.0.2.tar.gz
01-18
通过将scikit-learn的模型评估和数据预处理功能与深度学习模型的训练过程相结合，用户可以构建出更强大的解决方案。例如，预训练的深度学习模型可以作为特征提取器，然后用scikit-learn的分类器进行后续处理。 安装...
Python库 | scikit-learn-0.24.2.tar.gz
05-21
资源分类：Python库 所属语言：Python 资源全名：scikit-learn-0.24.2.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
scikit-image-0.21.0.tar.gz
07-11
Scikit-image是一个强大的开源Python库，用于图像处理和计算机视觉任务。版本0.21.0是这个库的一个稳定发行版，提供了丰富的图像处理算法和工具。在这个版本中，用户可以利用各种功能来分析、变换和操作图像。下面将...
Python库 | scikit-learn-0.15.1.tar.gz
05-21
资源分类：Python库 所属语言：Python 资源全名：scikit-learn-0.15.1.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python数据速查表 - Scikit-Learn.pdf
最新发布
01-25
Scikit-learn是处开理源的Python库，通过统一的界面实现机器学习、预处理、交叉验证及可视化算法。
解决accuracy_score报错Classification metrics can‘t handle a mix of continuous and multiclass targets
yimenren的博客
03-21 5400
问题原因：label和predicted类型不一致 如果label是one-hot形式，需要在inputs_labels后面加.argmax(axis=1)进行反one-hot编码 acc = accuracy_score(inputs_labels.argmax(axis=1),predicted.numpy().argmax(axis=1)) 此外，如果求交叉熵的时候，label是one-hot形式，使用： loss_fn = tf.keras.losses.CategoricalC..
几种分类的名词意思：Multiclass VS Multilabel VS Multioutput
htuhxf的博客
04-12 1453
Multiclass classification 打比方你想要把XX归到n_classes(即彼此不同&互斥的classes)。那么来举个栗子：我们有4个classes，分明是"Python"、“Java”、"C++“和"Other language”。此刻我们如果有6个XX，它们对应的classes标签存在数列y里 import numpy as np y = np.asarray(['Java', 'C++', 'Other language', 'Python', 'C++', 'Pytho
分类问题-----多标签（multilabel）、多类别（multiclass）
热门推荐
qq_27009517的博客
05-10 6万+
转自：大致上，解决multilabel的方法有两种1）转化问题。把问题转化为一个或多个单目标分类问题，或是回归问题。2）算法适应。修改学习算法使得能直接处理multilabel的数据。问题转化方法 dubbed PTx法。包括PT1 对有多标签的数据随机选取一个标签 PT2 直接把标签数大于1的都丢掉PT3 对标签集合进行排列组合，即组合好的成为一个新的单标签PT4 把一个含有L个标签的训练转化为...
机器学习：multiclass format is not supported
u013884777的专栏
07-23 3万+
在进行机器学习的时候，遇到一个项目，要求预测的结果是价格，不是以前的定性数据，而是定量数据。然后我在套用以前的GridSearchCV的时候，出现了错误。 代码如下： parameters = { 'penalty':['l1','l2'], 'C':[0.001,0.01,0.1,1,10,100] } lr = LogisticRegression() clf = ...
sklearn preprocessing
perfectmanman的博客
10-15 1万+
sklearn preprocessing代码代码来自Anaconda软件里sklearn模块init.py""" The :mod:`sklearn.preprocessing` module includes scaling, centering, normalization, binarization and imputation methods. """from .data import B
作ROC曲线时遇上的问题
星影L的博客
07-12 3万+
使用ROC曲线评估分类模型是非常通用的手段，但是，使用它的时候要注意两点： 1、分类的类型。 必须为数值型。 2、只针对二分类问题。 ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。 下面有个例子： import nump...
编写三个程序，采用 scikit-learn 中的 LogisticRegression 逻辑回归模型对 iris 数据集进行多分类，分别使用 Multiclass classification 中提供的 3 种多分类策略，并对比效果。
05-31
好的，我会根据您的要求编写三个程序，分别采用 scikit-learn 中的 LogisticRegression 逻辑回归模型对 iris 数据集进行多分类，使用 Multiclass classification 中提供的 3 种多分类策略，并对比效果。以下是三个程序的代码： 程序一：使用 "one-vs-rest" 多分类策略 ```python from sklearn.datasets import load_iris from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载iris数据集 iris = load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建逻辑回归模型 model = LogisticRegression(multi_class='ovr') # 训练模型 model.fit(X_train, y_train) # 预测测试集 y_pred = model.predict(X_test) # 计算准确率 acc = accuracy_score(y_test, y_pred) print("Accuracy: {:.2f}%".format(acc*100)) ``` 程序二：使用 "multinomial" 多分类策略 ```python from sklearn.datasets import load_iris from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载iris数据集 iris = load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建逻辑回归模型 model = LogisticRegression(multi_class='multinomial', solver='lbfgs') # 训练模型 model.fit(X_train, y_train) # 预测测试集 y_pred = model.predict(X_test) # 计算准确率 acc = accuracy_score(y_test, y_pred) print("Accuracy: {:.2f}%".format(acc*100)) ``` 程序三：使用 "multiclass" 多分类策略 ```python from sklearn.datasets import load_iris from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载iris数据集 iris = load_iris() X = iris.data y = iris.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建逻辑回归模型 model = LogisticRegression(multi_class='multiclass', solver='newton-cg') # 训练模型 model.fit(X_train, y_train) # 预测测试集 y_pred = model.predict(X_test) # 计算准确率 acc = accuracy_score(y_test, y_pred) print("Accuracy: {:.2f}%".format(acc*100)) ``` 以上三个程序分别使用了三种不同的多分类策略，分别是 "one-vs-rest"、"multinomial" 和 "multiclass"。其中，"one-vs-rest" 是将每个类别和其他类别分别作为二分类问题，进行训练和预测；"multinomial" 和 "multiclass" 则是直接将多个类别作为一个整体进行训练和预测。 在 iris 数据集上，三种策略的准确率分别为： - "one-vs-rest"：100.00% - "multinomial"：100.00% - "multiclass"：100.00% 可以看出，三种策略在 iris 数据集上的效果非常相似，均能够达到 100% 的准确率。不过需要注意的是，在其他数据集上，三种策略的效果可能会有所不同。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值