MLPRegressor 中的稀疏矩阵错误

Question

上下文

我在尝试使用稀疏矩阵作为sklearn.neural_network.MLPRegressor 的输入时遇到了错误。名义上，这种方法能够处理稀疏矩阵。我认为这可能是scikit-learn 中的一个错误，但在我提交问题之前想在这里检查一下。

问题

将scipy.sparse 输入传递给sklearn.neural_network.MLPRegressor 时，我得到：

ValueError: input must be a square array

错误是由numpy.matrixlab.defmatrix 中的matrix_power 函数引发的。这似乎是因为matrix_power 将稀疏矩阵传递给numpy.asanyarray (L137)，它返回一个大小=1、ndim=0 的数组，其中包含稀疏矩阵对象。 matrix_power 然后执行一些维度检查 (L138-141) 以确保输入是方阵，因为numpy.asanyarray 返回的数组不是方阵而失败，即使底层稀疏矩阵 是 正方形。

据我所知，问题源于numpy.asanyarray 阻止确定稀疏矩阵的维度。稀疏矩阵本身有一个 size 属性，允许它通过维度检查，但前提是它没有通过asanyarray。

我认为这可能是一个错误，但在我确认我不只是一个白痴之前，我不想讨论提交问题！请看下面，检查。

如果它是一个错误，那么哪里是最适合提出问题的地方？数字货币？科学派？还是 Scikit-Learn？

小例子

环境

Arch Linux
kernel     4.15.7-1

Python     3.6.4
numpy      1.14.1
scipy      1.0.0
sklearn    0.19.1

代码

import numpy as np
from scipy import sparse
from sklearn import model_selection
from sklearn.preprocessing import StandardScaler, Imputer
from sklearn.neural_network import MLPRegressor

## Generate some synthetic data

def fW(A, B, C):
    return A * np.random.normal(.3, .1) + B * np.random.normal(.6, .1)

def fX(A, B, C):
    return B * np.random.normal(-1, .1) + A * np.random.normal(-.9, .1) / C

# independent variables
N = int(1e4)
A = np.random.uniform(2, 12, N)
B = np.random.uniform(2, 12, N)
C = np.random.uniform(2, 12, N)

# synthetic data
mW = fW(A, B, C)
mX = fX(A, B, C)

# combine datasets
real = np.vstack([A, B, C]).T
meas = np.vstack([mW, mX]).T

# add noise to meas
meas *= np.random.normal(1, 0.0001, meas.shape)

## Make data sparse
prob_null = 0.2
real[np.random.choice([True, False], real.shape, p=[prob_null, 1-prob_null])] = np.nan
meas[np.random.choice([True, False], meas.shape, p=[prob_null, 1-prob_null])] = np.nan

# NB: problem persists whichever sparse matrix method is used.
real = sparse.csr_matrix(real)
meas = sparse.csr_matrix(meas)

# replace missing values with mean
rmnan = Imputer()
real = rmnan.fit_transform(real)
meas = rmnan.fit_transform(meas)

# split into test/training sets
real_train, real_test, meas_train, meas_test = model_selection.train_test_split(real, meas, test_size=0.3)

# create scalers and apply to data
real_scaler = StandardScaler(with_mean=False)
meas_scaler = StandardScaler(with_mean=False)

real_scaler.fit(real_train)
meas_scaler.fit(meas_train)

treal_train = real_scaler.transform(real_train)
tmeas_train = meas_scaler.transform(meas_train)

treal_test = real_scaler.transform(real_test)
tmeas_test = meas_scaler.transform(meas_test)

nn = MLPRegressor((100,100,10), solver='lbfgs', early_stopping=True, activation='tanh')
nn.fit(tmeas_train, treal_train)

## ERROR RAISED HERE

## The problem:

# the sparse matrix has a shape attribute that would pass the square matrix validation
tmeas_train.shape

# but not after it's been through asanyarray
np.asanyarray(tmeas_train).shape

Answer 1

MLPRegressor.fit() as given in documentation 支持X 的稀疏矩阵，但不支持y 的稀疏矩阵

参数：

X : 类数组或稀疏矩阵，形状 (n_samples, n_features)

The input data.

y : 类数组，形状 (n_samples,) 或 (n_samples, n_outputs)

The target values (class labels in classification, real numbers in regression).

我能够成功运行您的代码：

nn.fit(tmeas_train, treal_train.toarray())