将一维向量拟合到 SVC 线性核答案

【问题标题】：Fitting a 1d vector to SVC linear kernel将一维向量拟合到 SVC 线性核
【发布时间】：2020-11-07 17:05:57
【问题描述】：

我正在尝试将 SVC 与线性内核一起用于图像识别任务。我当前的数据是一个 2x5 矩阵

[['Face 1' 'Face2' 'Face 3' 'Face 4' 'Face 5']
 ['229.0' '230.0' '231.0' '230.0' '230.0']]

我的第二行是我的 X 特征，它们是来自不同图像的像素强度值。

我的第一行是我的 Y 标签，它们是从中提取像素的面部图像。我正在尝试不惜一切代价将我的数据输入 SVC。

我正在尝试的是：

    m_array = [[229, 230, 231, 230, 230]]
    faces = []
    faces = np.asarray(['Face 1', 'Face2', 'Face 3', 'Face 4', 'Face 5']).reshape(-1, 5)
    
    data = np.stack((faces, m_array)).reshape(2, 5)
    df = pd.DataFrame(data)
    X = data[1, :]
    Y = data[0, :]

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20)


from sklearn.svm import SVC
svclassifier = SVC(kernel='linear')
svclassifier.fit(X_train, y_train)

我想测试这些功能的识别率，但我得到了错误：

TypeError: 单例数组 array(162) 不能被认为是有效的收藏。

【问题讨论】：

标签： python python-3.x numpy machine-learning scikit-learn

【解决方案1】：

sklearn 期望您的 X_train 数组是二维数组，例如 (n_examples, 1)，而 Y_train 是一维标签数组，例如 (n_examples, )。

我重新格式化了您的代码以删除一些不必要的步骤并解决问题：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

m_array = np.array([229, 230, 231, 230, 230])[:, np.newaxis]
faces = np.array(['Face 1', 'Face2', 'Face 3', 'Face 4', 'Face 5'])

X_train, X_test, y_train, y_test = train_test_split(m_array, faces, test_size = 0.20)

svclassifier = SVC(kernel='linear')
svclassifier.fit(X_train, y_train)

【讨论】：