Python scikit-learn SVM 分类器“ValueError：找到昏暗 3 的数组。预期 <= 2”答案

【问题标题】：Python scikit-learn SVM Classifier "ValueError: Found array with dim 3. Expected <= 2"Python scikit-learn SVM 分类器“ValueError：找到昏暗 3 的数组。预期 <= 2”
【发布时间】：2016-01-14 18:10:50
【问题描述】：

我正在尝试在 MNIST 数据集上实现 SVM 分类器。由于我的参数是 3 维的，因此会引发以下错误：

ValueError: Found array with dim 3. Expected <= 2

以下是我的代码 sn-p:

import mnist
from sklearn import svm

training_images, training_labels = mnist.load_mnist("training", digits = [1,2,3,4])
classifier = svm.SVC()
classifier.fit(training_images, training_labels)

sklearn 是否支持多维分类器？

【问题讨论】：

相关：stackoverflow.com/questions/34972142/…

标签： python scikit-learn svm

【解决方案1】：

解决该问题的一种方法是将输入数据重新整形为二维数组。

假设您的训练数据由 10 张图像组成，每张图像都表示为 3x3 矩阵，因此您的输入数据是 3 维的。

[ [[1,2,3],   [[1,2,3],           [
   [4,5,6],    [4,5,6],            image 10 
   [7,8,9]] ,  [7,8,9]]  , ... ,           ] ]

我们可以将每张图像转换为一个由 9 个元素组成的数组，以便将数据集转换为二维。

dataset_size = len(training_images)
TwoDim_dataset = dataset.reshape(dataset_size,-1)

这会将数据变成以下形状：

[ [1,2,3,4,5,6,7,8,9]  ,  [1,2,3,4,5,6,7,8,9]  , ... ,  [image 10] ]

【讨论】：

【解决方案2】：

问题在于您的输入数据。

您也可以使用sklearn 来加载数字数据集：

from sklearn.datasets import load_digits
from sklearn import svm

digits = load_digits()
X = digits.data
y = digits.target

classifier = svm.SVC()
classifier.fit(X[:1000], y[:1000])
predictions = classifier.predict(X[1000:])

【讨论】：

谢谢，像 sklearn.datasets 一样将我的数据集转换为更低的维度。