错误：支持的目标类型是：('binary', 'multiclass')

Question

如何处理错误ValueError: Supported target types are: ('binary', 'multiclass'). Got 'continuous-multioutput' instead？

我尝试了from sklearn.utils.multiclass import type_of_target 或x[0],y[0]，但没有成功...

X 的可视化：

Y 的可视化：

X.shape, Y.shape

((336, 10), (336, 5))

深度学习模型：

for train, test in kfold.split(X, Y):

    model = Sequential()
    model.add(Dense(10, input_dim=20, 
                kernel_regularizer=l2(0.001),
                kernel_initializer=VarianceScaling(), 
                activation='sigmoid'))
    model.add(Dense(5, 
                kernel_regularizer=l2(0.01),
                kernel_initializer=VarianceScaling(),                 
                activation='sigmoid'))
    
    model.compile(loss='binary_crossentropy', optimizer='adam', 
              metrics=['acc'])
    
    model.fit(X[train], Y[train], epochs=50, batch_size=25, verbose = 0,
              validation_data=(X[test], Y[test]))

    scores = model.evaluate(X[test], Y[test], verbose=0)
    print("%s: %.2f%%" % (model.metrics_names[2], scores[2]*100))
    cvscores.append(scores[2] * 100)

---------------------------------------------------------------------------
ValueError: Supported target types are: ('binary', 'multiclass'). Got 'continuous-multioutput' instead.

Answer 1

StratifiedKFold 不打算用于多标签目标，正如 here 已经指出的那样。它需要一个一维数组来确定如何拆分索引。

我想您想根据概率最高的标签拆分目标。实现这一目标的一种方法是创建一个指示具有最高概率的目标的一维数组，并将其传递给StratifiedKFold，而不是多标签目标。

假设您在 pandas DataFrame y 中有示例数据，它看起来像这样：

       0      1    2    3    4
0  0.966  0.000  0.0  0.2  0.0
1  0.966  0.000  0.0  0.0  0.2
2  0.000  0.966  0.5  0.0  0.0
3  0.000  0.966  0.0  0.0  0.0
4  0.966  0.000  0.0  0.0  0.0

然后，使用idxmax 创建一个新对象，以找到概率最高的目标：

y_max = y.idxmax(axis=1)

这会给你这样的输出：

0    0
1    0
2    1
3    1
4    0
dtype: int64

现在您可以将此数组传递给StratifiedKFold 并获取您需要的索引：

for train, test in kfold.split(X, y_max):
    ...

    model.fit(X[train], Y[train], epochs=50, batch_size=25, verbose = 0,
              validation_data=(X[test], Y[test]))

    scores = model.evaluate(X[test], Y[test], verbose=0)
    print("%s: %.2f%%" % (model.metrics_names[2], scores[2]*100))
    cvscores.append(scores[2] * 100)

这样，您可以从一维数组中获取索引，并且仍然使用原始数据进行训练和测试。如果你的数据恰好在一个 numpy 数组中，同样可以使用 numpy 的argmax 函数来实现。