我使用的是scikit-learn中的StratifiedKFold，但现在我还需要观察“组”。GroupKFold有很好的功能，但我的数据非常依赖时间。与帮助中的非常相似，即周数是分组索引。但是每周应该只有一次。假设我需要10折。我需要先洗牌数据，然后才能使用GroupKFold。洗牌是在群体意识中-所以整个群体应该相互洗牌。有没有办法以某种方式使用scikit-learn优雅？在我看来，GroupKFold很强大，可以先洗牌数据。如果没有办法用scikit做到这一点，谁能写出一些有效的代码？我有大量数据集。矩阵、标签、组作为输入 最佳答案
我已经从sklearn-framework中为文本分类实现了LinearSVC和SVC。我正在使用TfidfVectorizer来获取由两个不同类(良性数据和恶意数据)组成的输入数据的稀疏表示。这部分工作得很好，但现在我想通过使用OneClassSVM分类器和训练只有一个类的模型(异常值检测......)来实现某种异常检测。不幸的是，它不适用于稀疏数据。一些开发人员正在开发补丁(https://github.com/scikit-learn/scikit-learn/pull/1586)，但存在一些错误，因此尚无使用OneClassSVM实现的解决方案。sklearn-framewor
我一直在尝试弄清楚scikit的随机森林sample_weight的用途，但我无法解释我看到的一些结果。从根本上说，我需要它来平衡分类问题与不平衡类。特别是，如果我使用全1的sample_weights数组，我会得到与wsample_weights=None相同的结果。此外，我正在考虑任何权重相等的数组(即全1、全10或全0.8……)都会提供相同的结果。在这种情况下，也许我对权重的直觉是错误的。代码如下:importnumpyasnpfromsklearnimportensemble,metrics,cross_validation,datasets#createasyntheticd
我已经刮了很多这样的ebay标题:AppleiPhone5White16GBDual-Core我以这种方式手动标记了所有这些BMCSNA其中B=品牌(苹果)M=型号(iPhone5)C=颜色(白色)S=尺寸(尺寸)NA=未分配(双核)现在我需要使用python中的libsvm库训练一个SVM分类器，以了解ebay标题中出现的序列模式。我需要通过将问题视为分类问题来为该属性(品牌、型号、颜色、尺寸)提取新值。通过这种方式，我可以预测新模型。我想表示这些功能以将它们用作libsvm库的输入。我在python中工作:D。Identityofthecurrentword我想我可以这样解释0--
一般来说，SciKit和使用Python的线性代数/机器学习还很陌生，所以我似乎无法解决以下问题:我有一个训练集和一个测试集数据，包含连续和离散/分类值。CSV文件被加载到PandasDataFrame中并在形状上匹配，分别为(1460,81)和(1459,81)。但是，在使用Pandas'get_dummies之后，DataFrame的形状变为(1460,306)和(1459,294)。所以，当我用SciKitLinearRegression做线性回归时模块，它为306个变量构建了一个模型，并尝试用它预测一个只有294个变量的模型。这自然会导致以下错误:ValueError:shap
我在Python中使用scikits.learn训练了一堆RBFSVM，然后Pickled结果。这些用于图像处理任务，我想为测试做的一件事是在某些测试图像的每个像素上运行每个分类器。也就是说，从以像素(i,j)为中心的窗口中提取特征向量，在该特征向量上运行每个分类器，然后移动到下一个像素并重复。这对于Python来说太慢了。澄清:当我说“这太慢了……”时，我的意思是即使scikits.learn使用的Libsvm底层代码也太慢了。我实际上是在为GPU编写一个手动决策函数，因此每个像素的分类是并行发生的。我是否可以使用Pickle加载分类器，然后获取某种描述如何根据特征向量计算决策的属性
在训练随机森林分类器时，我一直在尝试在scikit-learn中使用加权样本。当我将样本权重直接传递给分类器时效果很好，例如RandomForestClassifier().fit(X,y,sample_weight=weights)，但是当我尝试使用网格搜索为分类器寻找更好的超参数时，我遇到了麻烦:在使用grid参数时传递权重，用法是:grid_search=GridSearchCV(RandomForestClassifier(),params,n_jobs=-1,fit_params={"sample_weight"=weights})问题是交叉验证器不知道样本权重，因此不会将它
我需要将参数sample_weight传递到我的RandomForestClassifier，如下所示:X=np.array([[2.0,2.0,1.0,0.0,1.0,3.0,3.0,1.0,0.0,0.0,0.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,1.0,0.0,0.0,5.0,3.0,2.0,'0'],[15.0,2.0,5.0,5.0,0.466666666667,4.0,3.0,2.0,0.0,0.0,0.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0,1.0,0.0,0.0,1.0,0.0,0.0,7.0,14.0,
我想使用scikit-learn的GridSearchCV确定随机森林模型的一些超参数。我的数据是时间相关的，看起来像importpandasaspdtrain=pd.DataFrame({'date':pd.DatetimeIndex(['2012-1-1','2012-9-30','2013-4-3','2014-8-16','2015-3-20','2015-6-30']),'feature1':[1.2,3.3,2.7,4.0,8.2,6.5],'feature2':[4,4,10,3,10,9],'target':[1,2,1,3,2,2]})>>>traindatefeat
我们有一个视网膜数据集，其中患病眼睛信息占信息的70%，而未患病眼睛占剩余的30%。我们想要一个数据集，其中患病和未患病样本的数量应该相等。是否有任何可用的功能可以帮助我们做同样的事情？ 最佳答案 我会选择用PandasDataFrame来做到这一点和numpy.random.choice.通过这种方式，很容易进行随机抽样以产生大小相同的数据集。一个例子:importpandasaspdimportnumpyasnpdata=pd.DataFrame(np.random.randn(7,4))data['Healthy']=[1,1
