ValueError：未知标签类型：RandomForestClassifier 中的“未知”答案

【问题标题】：ValueError: Unknown label type: 'unknown' in RandomForestClassifierValueError：未知标签类型：RandomForestClassifier 中的“未知”
【发布时间】：2019-07-03 09:39:42
【问题描述】：

我正在尝试使用 RandomForestClassifier 训练数据集

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
y = transformer.fit_transform(df.category)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()

model.fit(X_train, y_train)

我的数据集是这样的

Review(text format)    Category(text format)
Its good product       good product
Its damaged product    damaged product

我收到一个错误

raise ValueError("Unknown label type: %r" % y_type)
ValueError: Unknown label type: 'unknown'

任何人都可以提出任何解决方案吗？

【问题讨论】：

标签： python python-3.x scikit-learn random-forest

【解决方案1】：

RandomForestClassifier 实例需要以下数据作为标签：

y : 类似数组，形状 = [n_samples] 或 [n_samples, n_outputs] 目标值（分类中的类标签，回归中的实数）。

但transformer.fit_transform(df.category) 返回'<class 'numpy.float64'> 类型的稀疏矩阵，这不是预期的。

如果您尝试将某些数据分类为数量有限的类别，例如“好产品”、“损坏的产品”……等等，您可以不逐字地对这些数据进行编码，而是通过标签编码器将其编码为标签：

（关于预测每个单词的多标签分类见下文）

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
le = LabelEncoder()
y = le.fit_transform(df.category)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)

le.inverse_transform(model.predict(X_test))
Out:
array(['good product', 'good product'], dtype=object)

- （左右）- 这是最简单的解决方案。

如果你打算做一些多标签分类，有两个问题：

会有很多标签，具体取决于df.category 行中不同单词的数量
稀疏矩阵是可以转换为 numpy.array 的东西，但它会占用内存，并且矩阵包含浮点数，因为它是 tf-idf 值，但RandomForestClassifier 可以很好地处理整数标签：李>

所以，

y.toarray()
array([[0.        , 0.77722116, 0.62922751, 0.        ],
       [0.84292635, 0.        , 0.53802897, 0.        ],
       [0.        , 0.        , 0.        , 1.        ],
       [0.        , 0.77722116, 0.62922751, 0.        ]])

- 好的，它可以转换为一些{0, 1} 整数数组，但使用MultiLabelBinarizer 更容易（注意split 应用于每一行以获得逐字而不是逐字符二值化）：

transformer = TfidfVectorizer(lowercase=True, stop_words=stop, max_features=500)
X = transformer.fit_transform(df.Text)
mlb = MultiLabelBinarizer()
y = mlb.fit_transform(df.category.map(lambda x: x.split()))
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)

那个情况，y 是：

y
Out:
array([[0, 1, 1, 0],
       [1, 0, 1, 0],
       [0, 0, 0, 1],
       [0, 1, 1, 0]])

它可以预测单词：

mlb.inverse_transform(model.predict(X_test))
Out:
[('good', 'product'), ('good', 'product')]

改装 TfidfTransformer 很危险
题外话，但是：你在这里改装了矢量化器：

X = transformer.fit_transform(df.Text)
print(transformer.vocabulary_)
y = transformer.fit_transform(df.category)
print(transformer.vocabulary_)
Out:
{'its': 3, 'good': 1, 'product': 6, 'damaged': 0, 'sttate': 7, 'is': 2, 'unknown': 8, 'one': 5, 'more': 4}
{'good': 1, 'product': 2, 'damaged': 0, 'unknown': 3}

- 如果您稍后尝试使用转换器对Text 数据进行一些处理，它可能会导致错误。最好实例化两个转换器并分别使用它们。

【讨论】：