关于sklearn的一个报错问题

御笔剑客

1. import numpy as np
   
2. import pandas as pd
   
3. import seaborn as sn
   
4. import matplotlib.pyplot as plt
   
5. from sklearn.ensemble import RandomForestRegressor
   
6. from sklearn.model_selection import train_test_split
   
7. from sklearn.metrics import confusion_matrix
   
8. from sklearn.model_selection import GridSearchCV
   
9. from sklearn.model_selection import cross_val_score # 交叉验证模块
   
10. from sklearn.metrics import classification_report
    
11. from sklearn.metrics import precision_score, recall_score, f1_score
    

复制代码

1. data = np.genfromtxt("f:\\seeds_dataset.csv", delimiter=",")  #读取数据
   
2. 
   
3. #拆分数据成x和y两部分
   
4. x_data = np.array(data[0:,1:-1])
   
5. y_data = np.array(data[0:,-1, np.newaxis])
   
6. 
   
7. #拆分成训练集和验证集
   
8. X_train, X_test, Y_train, Y_test = train_test_split(x_data, y_data, train_size=0.8, random_state=1)

复制代码

1. model = RandomForestRegressor(max_features=0.6)  # 随机抽取的特征子集中所使用的特征数目为4
   
2. param_grid = {"n_estimators":[10, 50]} # 随机森林中基本模型的数目为10、50
   
3. grid_search = GridSearchCV(model, param_grid, cv=5) # 5折交叉验证
   
4. 
   
5. grid_search.fit(X_train, Y_train)
   
6. print(grid_search.best_score_)      #正确率
   
7. 
   
8. print(grid_search.best_params_)      #最佳 参数组合  
   
9. # criterion参数为信息熵，最大深度为6
   
10.    
    
11. y_pred=grid_search.predict(X_test)
    
12. y_pred = y_pred[:,np.newaxis]
    
13. print(y_pred.shape)
    
14. #print(classification_report(Y_test,y_pred))
    
15. 
    
16. 
    
17. p = precision_score(Y_test, y_pred, average=None) # 查准率
    
18. r = recall_score(Y_test, y_pred, average=None)   # 查全率
    
19. f1score = f1_score(Y_test, y_pred, average=None)  # f1分值
    
20. 
    
21. # 宏查准率、宏查全率、宏f1分值
    
22. print("macro_precision: %.3f" % (sum(p) / 3.0))
    
23. print("macro_recall:%.3f" % (sum(r) / 3.0))
    
24. print("macro_f1socre:%.3f" % (sum(f1score) / 3.0))
    
25. #绘制混淆矩阵，
    
26. sn.heatmap(confusion_matrix(Y_test, y_pred), cmap='rainbow', annot=True)
    

复制代码

在求查准率、查全率和f1分值的时候报错，提示Classification metrics can't handle a mix of multiclass and continuous targets，需要怎么修改才能正常运行呢？

塔利班

多分类不适宜用2分类的指标，
可以针对某一个分类，其他分类为另一类来计算

小小小菜菜菜

给大佬顶个贴，我是看不懂了。

zltzlt

顶

Jery_wang09

好高深，以后来研究下

falseh

不合适多分类不适宜用2分类的指标，
可以针对某一个分类，其他分类为另一类来计算

falseh

顶

falseh

好高深，一定认真来研究下

falseh

andy大宝

问题的确挺高深的，评价一下