1

我有一个数据集如下：

X_data = 

BankNum   |  ID | 

00987772  | AB123 | 
00987772  | AB123 |
00987772  | AB123 |
00987772  | ED245 |
00982123  | GH564 |

另一个是：

y_data =

ID  | Labels

AB123 | High
ED245 | Low
GH564 | Low

我正在执行以下操作：

from sklearn import svm
from sklearn import metrics
import numpy as np

clf = svm.SVC(gamma=0.001, C=100., probability=True)
X_train, X_test, y_train, y_test = train_test_split(X_data, y_data, test_size=0.20, random_state=42)
clf.fit(X_train, y_train)

predicted = clf.predict(X_test)

但我想知道如何X_data在我做之前将其转换为浮动clf.fit()？我可以DictVectorizer在这种情况下使用吗？如果是，那么我该如何使用它？

另外，我正在通过X_data并y_data通过train_test_split找出预测准确性，但它会正确拆分吗？就像在from中取正确Label的一样？IDX_datay_data

更新：

有人可以告诉我我是否正确执行以下操作吗？

new_df = pd.merge(df, df3, on="ID")
columns = ['BankNum', 'ID']
labels = new_df['Labels']
le = LabelEncoder()
labels = le.fit_transform(labels)
X_train, X_test, y_train, y_test = train_test_split(new_df[columns], labels, test_size=0.25, random_state=42)
X_train.fillna( 'NA', inplace = True )
X_test.fillna( 'NA', inplace = True )
x_cat_train = X_train.to_dict( orient = 'records' )
x_cat_test = X_test.to_dict( orient = 'records' )
vectorizer = DictVectorizer( sparse = False )
vec_x_cat_train = vectorizer.fit_transform( x_cat_train )
vec_x_cat_test = vectorizer.transform( x_cat_test )
x_train = vec_x_cat_train
x_test = vec_x_cat_test
clf = svm.SVC(gamma=0.001, C=100., probability=True)
clf.fit(x_train, y_train)
4

1 回答 1

0

根据我们在评论中讨论的内容，我的建议是首先合并 id 列上的 x_data 和 y_data 数据集：

dataset = pd.merge(left=x_data, right=y_data, on='index')

并且您可以使用 np.astype 将 BANKacount 列转换为浮动：

dataset['Bank_Num'] = dataset.Bank_Num.astype(np.float128)

注意（更新）：如果标签 _encoder 包含一些纯字符串值，它也可以用于 Bank_Num：

dataset['Bank_Num'] = le.fit_transform(dataset.Bank_Num)

ID 列通过使用标签编码器来获取它的 int 表示：

from sklearn.preprocessing import LabelEncoder,LabelBinarizer
le = LabelEncoder()
dataset['index'] = le.fit_transform(dataset.index)

和使用 labelBinarizer 的 y 标签：

lb = LabelBinarizer()
dataset['label'] = lb.fit_transform(dataset.label)

现在你有了一个包含 int 和 float 的完整数据集，你的 SVC 可以很好地使用它，但在你需要拆分之前：

测试大小低于训练大小是个好主意，最好使用小于 0.5 的值作为 test_size在这里 找到有关训练集和测试集大小的更多信息

像这样 ：

X_train, X_test, y_train, y_test = train_test_split(dataset[['index','Bank_Num']], dataset.label, test_size=0.25, random_state=42)

有了这个，您现在可以在没有任何问题的情况下训练您的分类器：

clf.fit(X_train, y_train)

注意：在我的代码中索引相当于你的 ID

让我知道这是否有帮助以及如何改进我的答案

于 2017-09-13T06:55:35.110 回答