向量和标量之间的元素乘法与两个矩阵答案

【问题标题】：Element-wise multiplication between vector and scalar with two matrices向量和标量之间的元素乘法与两个矩阵
【发布时间】：2021-08-24 21:30:01
【问题描述】：

我在一个包含 2 个类和 150 个样本的数据集上运行了一个包含 2 个分类器的分类实验。分类器是具有 predict_proba() 方法的 scikit-learn 对象。此方法返回一个形状数组（samples，classes），其中包含每个样本的概率分布。我还计算了另一个矩阵G，其形状为 (samples, 2)，其中包含每个分类器对每个样本的“重要性”。

最终输出必须是每个predict_proba() 行和G 中的标量的线性组合。单个样本的示例：

G = np.array([0.3, 0.7])

classifier_1_proba = np.array([0.6, 0.4])
classifier_2_proba = np.array([0.2, 0.8])

Y = classifier_1_proba * G[0] + classifier_2_proba * G[1]

仅使用一个样本/输出就很容易，但我不知道如何使用多个样本（例如整个测试集）来完成。

【问题讨论】：

标签： python numpy scikit-learn classification

【解决方案1】：

我认为这对你有用：

Y = c1_proba * G[:, 0, None] + c2_proba * G[:, 1, None]

假设分类器概率矩阵 c1_proba、c2_proba 和权重 G 都是您提到的二维 numpy 数组。

【讨论】：

感谢您的帮助。这确实完成了工作，但我认为在使用大量分类器时很难扩展，对吧？我正在考虑一种将所有c*_proba 2D 数组保存在 3D 数组中并从那里操作它们的方法。你对这个想法有什么想法吗？
我们在这里讨论了多少分类器？我猜由于上面的代码使用了广播，因此预计可以很好地扩展。你真的检查过很多没有。分类器？
或者你的意思是没有。分类器的数量是不固定的或事先不知道的，所以不可能像上面那样写Y作为总和？
是的，我无法知道分类器的数量先验，因为它是网格搜索实验的参数。
是的，我认为您完全可以使用 3D 分类器预测数组 C 并通过类似 (C * G).sum(axis = ...) 的操作相应地重塑 G。 axis 参数的具体细节需要C 和G 的形状。