[已解决]什么算法可以把图像的纹理特征转化为一个具体的数字

ShuviDoura

写一个svm的代码

ShuviDoura

写一个svm识图的代码
@FishC

ShuviDoura

FishC 发表于 2024-7-12 11:02
让我们逐一解释 `cv2.filter2D` 函数的这三个参数：

1. **image**:

这个提取特征是怎么实现的
# 提取特征
def extra_feat():
    train_name, train_label = get_name_label(train_label_path)
    test_name, test_label = get_name_label(test_label_path)

    train_image = get_image_list(train_image_path, train_name)
    test_image = get_image_list(test_image_path, test_name)
    get_feat(train_image, train_name, train_label, train_feat_path)
    get_feat(test_image, test_name, test_label, test_feat_path)

FishC

ShuviDoura 发表于 2024-07-13 10:26
这个提取特征是怎么实现的
# 提取特征
def extra_fe ...

你的代码片段看起来是在提取图像特征。以下是如何实现并解释这些步骤。

### 大概流程：
1. **读取训练和测试数据的名称和标签**。
2. **加载对应的图像数据**。
3. **提取每张图像的特征**。
4. **保存提取的特征以便后续使用（如分类）**。

这里是一个简单化的例子来说明如何从零开始实现这一过程：

### 1. 读取文件名和标签

定义一个函数 `get_name_label` 来读取文件名和标签。假设标签存储在一个 CSV 文件中，那可以用 `pandas` 来读这个文件。

1. import pandas as pd
   
2. 
   
3. def get_name_label(label_path):
   
4.     data = pd.read_csv(label_path)
   
5.     names = data['filename'].tolist()
   
6.     labels = data['label'].tolist()
   
7.     return names, labels

复制代码

### 2. 加载图像

定义一个函数 `get_image_list` 来加载图像。可以用 `OpenCV` 来读取图像。

1. import cv2
   
2. import os
   
3. 
   
4. def get_image_list(image_path, names):
   
5.     images = []
   
6.     for name in names:
   
7.         img = cv2.imread(os.path.join(image_path, name))
   
8.         if img is not None:
   
9.             images.append(img)
   
10.     return images

复制代码

### 3. 提取图像特征

定义一个函数 `get_feat` 来提取图像特征。这里可以使用上面提到的 `cv2.filter2D` 来做个简单的纹理特征提取。

1. import numpy as np
   
2. 
   
3. def get_feat(images, names, labels, feat_path):
   
4.     k = 2
   
5.     kernel_size = 2**k
   
6.     kernel = np.ones((kernel_size, kernel_size), np.float32) / (kernel_size**2)
   
7.    
   
8.     features = []
   
9.     for img in images:
   
10.         if len(img.shape) == 3:  # 如果是彩色图像，转换为灰度图像
    
11.             gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
12.         else:
    
13.             gray = img
    
14.         average_gray = cv2.filter2D(gray, -1, kernel)
    
15.         feat = np.mean(average_gray)  # 简单地求取平均值作为特征
    
16.         features.append(feat)
    
17. 
    
18.     # 保存特征，可以保存为CSV文件
    
19.     df = pd.DataFrame({'filename': names, 'label': labels, 'feature': features})
    
20.     df.to_csv(feat_path, index=False)

复制代码

### 4. 完整实现提取特征

整合以上步骤可以写出完整实现。

1. train_label_path = "path/to/train_labels.csv"
   
2. test_label_path = "path/to/test_labels.csv"
   
3. train_image_path = "path/to/train_images/"
   
4. test_image_path = "path/to/test_images/"
   
5. train_feat_path = "path/to/save_train_features.csv"
   
6. test_feat_path = "path/to/save_test_features.csv"
   
7. 
   
8. def extra_feat():
   
9.     train_name, train_label = get_name_label(train_label_path)
   
10.     test_name, test_label = get_name_label(test_label_path)
    
11. 
    
12.     train_image = get_image_list(train_image_path, train_name)
    
13.     test_image = get_image_list(test_image_path, test_name)
    
14.    
    
15.     get_feat(train_image, train_name, train_label, train_feat_path)
    
16.     get_feat(test_image, test_name, test_label, test_feat_path)
    
17. 
    
18. # 调用提取特征的函数
    
19. extra_feat()

复制代码

这样你就完成了从图像读取到特征提取、再保存特征的完整流程。现在你可以把这些提取的特征用于分类算法中，例如支持向量机（SVM）。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

这个错误怎么处理，我用来了pip install scikit-image ,依然报错
    from skimage.feature import hog
ModuleNotFoundError: No module named 'skimage'

FishC

ShuviDoura 发表于 2024-07-13 10:34
这个错误怎么处理，我用来了pip install scikit-image ...

如果你已经尝试使用 `pip install scikit-image` 来安装 `scikit-image` 包，但依然遇到 `ModuleNotFoundError: No module named 'skimage'` 的错误，这可能是由于以下原因之一：

1. **安装未成功**：
   - 请确保安装过程没有报错。可以再次尝试安装并检查输出：
   

1. pip install scikit-image

复制代码

2. **Python 环境问题**：
   - 确认你正在使用的 Python 环境是你安装 `scikit-image` 包的同一个环境。如果你使用的是虚拟环境，确保激活了虚拟环境。
   - 在命令行中运行以下命令，查看当前 Python 环境中的已安装包：
   

1. pip list

复制代码

   - 查看是否列出了 `scikit-image` 包。

3. **Python 版本问题**：
   - 确保你的 Python 版本与 `scikit-image` 兼容。

4. **Jupyter Notebook / IPython 问题**：
   - 如果你在 Jupyter Notebook 或 IPython 中运行代码，可能需要重新启动内核以加载新安装的包。

下面是一个具体的例子，说明如何提取图像的 HOG 特征，并使用 SVM 进行图像分类。首先，确保已成功安装所有需要的包：

1. pip install scikit-image scikit-learn

复制代码

然后，以下是示例代码：

1. import numpy as np
   
2. from skimage.feature import hog
   
3. from skimage import io, color
   
4. from sklearn import svm
   
5. from sklearn.metrics import accuracy_score
   
6. 
   
7. # 假设你有一些图片路径和标签
   
8. train_image_paths = ['path/to/image1.jpg', 'path/to/image2.jpg', ...]
   
9. train_labels = [0, 1, ...]  # 0 和 1 是示例标签
   
10. 
    
11. test_image_paths = ['path/to/test_image1.jpg', 'path/to/test_image2.jpg', ...]
    
12. test_labels = [0, 1, ...]
    
13. 
    
14. # 提取 HOG 特征
    
15. def extract_hog_features(image_paths):
    
16.     features = []
    
17.     for path in image_paths:
    
18.         image = io.imread(path)
    
19.         image = color.rgb2gray(image)
    
20.         hog_features = hog(image, block_norm='L2-Hys', pixels_per_cell=(16, 16))
    
21.         features.append(hog_features)
    
22.     return np.array(features)
    
23. 
    
24. train_features = extract_hog_features(train_image_paths)
    
25. test_features = extract_hog_features(test_image_paths)
    
26. 
    
27. # 训练 SVM
    
28. clf = svm.SVC(kernel='linear')
    
29. clf.fit(train_features, train_labels)
    
30. 
    
31. # 预测并评估
    
32. predicted_labels = clf.predict(test_features)
    
33. accuracy = accuracy_score(test_labels, predicted_labels)
    
34. print(f'Accuracy: {accuracy:.2f}')

复制代码

### 代码解释：
1. **导入库**：导入 `numpy`、`skimage` 和 `scikit-learn` 的必要模块。
2. **定义图像路径和标签**：你需要根据你的实际情况设置训练和测试图像的路径及其对应的标签。
3. **提取 HOG 特征**：
   - `extract_hog_features` 函数读取每张图片，将其转换为灰度图，然后提取 HOG 特征。
4. **训练 SVM**：
   - 使用 `SVC` 创建一个线性 SVM 分类器，并用训练数据进行训练。
5. **预测并评估**：
   - 使用训练好的模型预测测试集的标签，并计算预测的准确率。

通过这种方式，你可以将图像的纹理特征（如 HOG）转化为特征向量，并使用 SVM 进行分类。如果仍有 `ModuleNotFoundError` 错误，请确保你的 Python 环境和路径设置正确。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

给我写一个高斯核的支持向量机代码

FishC

ShuviDoura 发表于 2024-07-13 16:37
给我写一个高斯核的支持向量机代码

当然可以！高斯核支持向量机（SVM）是一种常用的非线性分类方法。我们可以使用 `scikit-learn` 库来实现它，这个库提供了很多机器学习算法，非常方便。

首先，确保你已经安装了 `scikit-learn`：

1. pip install scikit-learn

复制代码

然后，你可以使用以下代码来训练一个高斯核（也称为径向基函数核，RBF核）的支持向量机模型：

1. import numpy as np
   
2. from sklearn import datasets
   
3. from sklearn.model_selection import train_test_split
   
4. from sklearn.svm import SVC
   
5. from sklearn.metrics import accuracy_score
   
6. 
   
7. # 加载示例数据集（比如鸢尾花数据集）
   
8. iris = datasets.load_iris()
   
9. X = iris.data
   
10. y = iris.target
    
11. 
    
12. # 将数据集拆分为训练集和测试集
    
13. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
14. 
    
15. # 创建一个具有高斯核（RBF核）的SVM分类器
    
16. clf = SVC(kernel='rbf', gamma='scale')  # 'scale' 是默认设置，用于自动设定 gamma 参数
    
17. 
    
18. # 训练模型
    
19. clf.fit(X_train, y_train)
    
20. 
    
21. # 进行预测
    
22. y_pred = clf.predict(X_test)
    
23. 
    
24. # 计算准确率
    
25. accuracy = accuracy_score(y_test, y_pred)
    
26. print(f"Test set accuracy: {accuracy:.2f}")
    
27. 
    
28. # 打印一些预测结果以供参考
    
29. print("真实标签:    ", y_test[:10])  # 打印前10个真实标签
    
30. print("预测标签:    ", y_pred[:10])  # 打印前10个预测标签

复制代码

### 代码解释：
1. **加载数据集**：这里使用的是 `sklearn.datasets` 提供的鸢尾花数据集。
2. **拆分数据集**：使用 `train_test_split` 函数将数据集拆分为训练集和测试集。
3. **创建SVM模型**： 使用 `SVC` 创建一个支持向量机模型，指定高斯核（RBF核）通过 `kernel='rbf'` 参数。
4. **训练模型**：使用训练数据 `fit` 模型。
5. **预测与评估**：在测试集上进行预测，并使用 `accuracy_score` 函数计算模型的准确率。

这个简单的例子演示了如何使用高斯核支持向量机来处理分类问题。你可以根据自己的需求更改数据集或调节模型参数。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

这部分我应该怎么改成我自己的数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

FishC

ShuviDoura 发表于 2024-07-13 16:44
这部分我应该怎么改成我自己的数据集
iris = dataset ...

当然，我可以帮助你将代码修改成适用于你自己的数据集。假设你已经有一个自己的数据集，并且数据存储在一个CSV文件中。CSV文件中，特征数据在前几列，目标数据在最后一列。

首先，你需要安装 `pandas` 库来读取CSV文件：

1. pip install pandas

复制代码

以下是一个示例代码，演示如何将SVM代码改成适用于你自己的数据集：

1. import pandas as pd
   
2. from sklearn.model_selection import train_test_split
   
3. from sklearn.svm import SVC
   
4. from sklearn.metrics import accuracy_score
   
5. 
   
6. # 读取你的数据集
   
7. data = pd.read_csv('your_dataset.csv')
   
8. 
   
9. # 假设你的特征在前几列，目标在最后一列
   
10. X = data.iloc[:, :-1].values
    
11. y = data.iloc[:, -1].values
    
12. 
    
13. # 分割数据集为训练集和测试集
    
14. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
15. 
    
16. # 创建并训练SVM模型
    
17. model = SVC(kernel='rbf', gamma='scale')
    
18. model.fit(X_train, y_train)
    
19. 
    
20. # 预测测试集
    
21. y_pred = model.predict(X_test)
    
22. 
    
23. # 计算准确率
    
24. accuracy = accuracy_score(y_test, y_pred)
    
25. print(f'Accuracy: {accuracy * 100:.2f}%')

复制代码

在这段代码中，你需要将 `'your_dataset.csv'` 替换成你自己的CSV文件路径。特征数据会被读取到 `X` 变量中，目标数据会被读取到 `y` 变量中。

下面是对代码的详细解释：
1. **导入必要的库**：
   

1. import pandas as pd
   
2.     from sklearn.model_selection import train_test_split
   
3.     from sklearn.svm import SVC
   
4.     from sklearn.metrics import accuracy_score

复制代码

    这些库包括 `pandas` 用于数据处理，`sklearn.model_selection` 用于分割数据集，`sklearn.svm` 用于SVM模型，`sklearn.metrics` 用于评估模型性能。

2. **读取数据集**：
   

1. data = pd.read_csv('your_dataset.csv')

复制代码

    使用 `pandas` 读取CSV文件。

3. **分离特征和目标**：
   

1. X = data.iloc[:, :-1].values
   
2.     y = data.iloc[:, -1].values

复制代码

    使用 `pandas` 提供的方法将特征和目标分开。`iloc[:, :-1]` 表示选取所有行和除了最后一列以外的所有列作为特征，`iloc[:, -1]` 表示选取所有行的最后一列作为目标。

4. **分割数据集**：
   

1. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

复制代码

    将数据集分为训练集和测试集，`test_size=0.3` 表示30%的数据用于测试，70%用于训练。

5. **训练SVM模型**：
   

1. model = SVC(kernel='rbf', gamma='scale')
   
2.     model.fit(X_train, y_train)

复制代码

    创建SVM模型并使用训练集训练模型。

6. **预测和评估**：
   

1. y_pred = model.predict(X_test)
   
2.     accuracy = accuracy_score(y_test, y_pred)
   
3.     print(f'Accuracy: {accuracy * 100:.2f}%')

复制代码

    使用模型对测试集进行预测，并计算预测的准确率。

希望这些解释和示例代码能帮助你顺利地将SVM应用于你自己的数据集。如果有任何问题，欢迎随时提问！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

Traceback (most recent call last):
  File "C:\Users\shiro\Desktop\新建文件夹\svm.py", line 13, in <module>
    data = pd.read_csv('sss.csv')
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 912, in read_csv
    return _read(filepath_or_buffer, kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 577, in _read
    parser = TextFileReader(filepath_or_buffer, **kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1407, in __init__
    self._engine = self._make_engine(f, self.engine)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1679, in _make_engine
    return mapping[engine](f, **self.options)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\c_parser_wrapper.py", line 93, in __init__
    self._reader = parsers.TextReader(src, **kwds)
  File "pandas\_libs\parsers.pyx", line 550, in pandas._libs.parsers.TextReader.__cinit__
  File "pandas\_libs\parsers.pyx", line 639, in pandas._libs.parsers.TextReader._get_header
  File "pandas\_libs\parsers.pyx", line 850, in pandas._libs.parsers.TextReader._tokenize_rows
  File "pandas\_libs\parsers.pyx", line 861, in pandas._libs.parsers.TextReader._check_tokenize_status
  File "pandas\_libs\parsers.pyx", line 2021, in pandas._libs.parsers.raise_parser_error
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa4 in position 14: invalid start byte

ShuviDoura

这是什么原因
Traceback (most recent call last):
  File "C:\Users\shiro\Desktop\新建文件夹\svm.py", line 13, in <module>
    data = pd.read_csv('sss.csv')
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 912, in read_csv
    return _read(filepath_or_buffer, kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 577, in _read
    parser = TextFileReader(filepath_or_buffer, **kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1407, in __init__
    self._engine = self._make_engine(f, self.engine)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1679, in _make_engine
    return mapping[engine](f, **self.options)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\c_parser_wrapper.py", line 93, in __init__
    self._reader = parsers.TextReader(src, **kwds)
  File "pandas\_libs\parsers.pyx", line 550, in pandas._libs.parsers.TextReader.__cinit__
  File "pandas\_libs\parsers.pyx", line 639, in pandas._libs.parsers.TextReader._get_header
  File "pandas\_libs\parsers.pyx", line 850, in pandas._libs.parsers.TextReader._tokenize_rows
  File "pandas\_libs\parsers.pyx", line 861, in pandas._libs.parsers.TextReader._check_tokenize_status
  File "pandas\_libs\parsers.pyx", line 2021, in pandas._libs.parsers.raise_parser_error
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa4 in position 14: invalid start byte

ShuviDoura

这是什么原因
Traceback (most recent call last):
  File "C:\Users\shiro\Desktop\新建文件夹\svm.py", line 13, in <module>
    data = pd.read_csv('sss.csv')
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 912, in read_csv
    return _read(filepath_or_buffer, kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 577, in _read
    parser = TextFileReader(filepath_or_buffer, **kwds)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1407, in __init__
    self._engine = self._make_engine(f, self.engine)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\readers.py", line 1679, in _make_engine
    return mapping[engine](f, **self.options)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\pandas\io\parsers\c_parser_wrapper.py", line 93, in __init__
    self._reader = parsers.TextReader(src, **kwds)
  File "pandas\_libs\parsers.pyx", line 550, in pandas._libs.parsers.TextReader.__cinit__
  File "pandas\_libs\parsers.pyx", line 639, in pandas._libs.parsers.TextReader._get_header
  File "pandas\_libs\parsers.pyx", line 850, in pandas._libs.parsers.TextReader._tokenize_rows
  File "pandas\_libs\parsers.pyx", line 861, in pandas._libs.parsers.TextReader._check_tokenize_status
  File "pandas\_libs\parsers.pyx", line 2021, in pandas._libs.parsers.raise_parser_error
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa4 in position 14: invalid start byte

FishC

ShuviDoura 发表于 2024-07-13 16:53
Traceback (most recent call last):
  File "C:\Use ...

这个错误通常是由于 Pandas 在尝试读取 CSV 文件时遇到编码问题引起的。你可以尝试指定正确的编码来解决这个问题。通常情况下，CSV 文件的编码是 UTF-8，但有时候也可能是其他编码格式。

你可以在 `read_csv()` 函数中添加 `encoding` 参数来指定正确的编码格式。例如，如果你的 CSV 文件的编码是 GBK，你可以这样修改代码：

1. import pandas as pd
   
2. 
   
3. # 读取 CSV 文件，指定编码为 GBK
   
4. data = pd.read_csv('sss.csv', encoding='GBK')
   
5. 
   
6. # 接下来可以继续处理数据

复制代码

请根据你的实际情况调整 `encoding` 参数，以确保 Pandas 能够正确读取你的 CSV 文件。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

我可以不使用csv格式，使用xlsx格式吗

ShuviDoura

C:\Users\shiro\Desktop\01\python\python.exe C:\Users\shiro\Desktop\新建文件夹\svm.py
Traceback (most recent call last):
  File "C:\Users\shiro\Desktop\新建文件夹\svm.py", line 25, in <module>
    clf.fit(X_train, y_train)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\sklearn\base.py", line 1152, in wrapper
    return fit_method(estimator, *args, **kwargs)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\sklearn\svm\_base.py", line 190, in fit
    X, y = self._validate_data(
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\sklearn\base.py", line 622, in _validate_data
    X, y = check_X_y(X, y, **check_params)
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\sklearn\utils\validation.py", line 1146, in check_X_y
    X = check_array(
  File "C:\Users\shiro\Desktop\01\python\lib\site-packages\sklearn\utils\validation.py", line 976, in check_array
    raise ValueError(
ValueError: Found array with 0 feature(s) (shape=(89, 0)) while a minimum of 1 is required by SVC.

Process finished with exit code 1

FishC

ShuviDoura 发表于 2024-07-13 16:56
我可以不使用csv格式，使用xlsx格式吗

当然可以，Pandas 也支持读取 Excel 文件。你可以使用 `pd.read_excel()` 函数来读取 `.xlsx` 文件。下面是一个简单的示例代码：

1. import pandas as pd
   
2. 
   
3. # 读取Excel文件
   
4. data = pd.read_excel('yourfile.xlsx')
   
5. 
   
6. # 查看前几行数据
   
7. print(data.head())

复制代码

只需要将 `'yourfile.xlsx'` 替换为你的 Excel 文件的路径即可。这样可以避免编码问题，同时 Excel 文件也能更好地处理较复杂的数据格式。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

我在训练之后，怎么把模型保存下来
# 创建并训练SVM模型
model = SVC(kernel='rbf', gamma='scale')
model.fit(X_train, y_train)

FishC

ShuviDoura 发表于 2024-07-13 17:02
我在训练之后，怎么把模型保存下来
# 创建并训练SVM ...

要保存训练好的 SVM 模型，可以使用 Python 的 `joblib` 库或者 `pickle` 库来实现。这里给出使用 `joblib` 的示例代码：

1. from sklearn.svm import SVC
   
2. from sklearn import datasets
   
3. from sklearn.model_selection import train_test_split
   
4. from sklearn.externals import joblib
   
5. 
   
6. # 假设你已经有了 X_train, y_train 数据
   
7. 
   
8. # 创建并训练SVM模型
   
9. model = SVC(kernel='rbf', gamma='scale')
   
10. model.fit(X_train, y_train)
    
11. 
    
12. # 保存模型到文件
    
13. joblib.dump(model, 'svm_model.pkl')
    
14. 
    
15. # 加载模型示例（可选）
    
16. # loaded_model = joblib.load('svm_model.pkl')

复制代码

在这个示例中：
- `joblib.dump(model, 'svm_model.pkl')` 将训练好的 SVM 模型保存为名为 `svm_model.pkl` 的文件。
- 如果需要加载模型，可以使用 `joblib.load('svm_model.pkl')`。

确保安装了 `joblib` 库，如果没有安装，可以通过 `pip install joblib` 安装。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

ShuviDoura

ImportError: cannot import name 'joblib' from 'sklearn.externals'