python - 使用 scikit-learn 进行一次性学习

Question

假设我只有 1 个正面来训练分类器。有没有办法用 scikit-learn 训练一个只有一个正面的模型？（例如，类似于示例 SVM）。

目前我有以下内容：

scores = [
   ('precision', precision_score),
]

for score_name, score_func in scores:
    clf = GridSearchCV(SVC(C=1), tuned_parameters, score_func=score_func)
    clf.fit(X[train], y[train])
    y_true, y_pred = y[test], clf.predict(X[test])

但我收到以下错误：

ValueError: y 中人口最少的类只有 2 个成员，太少了。任何类的最小标签数不能小于 k=3。

Answer 1

scikit-learn 中没有专门用于一次性学习的模型。

此外，正如您在错误消息的完整回溯中应该看到的那样，在GridSearchCV内部使用交叉验证，因此您不能在没有至少 2 个正样本的数据集上使用它。