Scikit-Learn：所有训练示例中都存在标签而不是 x

我正在尝试使用 SVM 进行多标签分类。 我有近 8k 个特征，并且还有长度接近 400 的 y 向量。我已经有二值化的 Y 向量，所以我没有使用MultiLabelBinarizer()但是当我将它与 Y 数据的原始形式一起使用时，它仍然给出相同的结果。

我正在运行这段代码：

X = np.genfromtxt('data_X', delimiter=";")
Y = np.genfromtxt('data_y', delimiter=";")
training_X = X[:2600,:]
training_y = Y[:2600,:]

test_sample = X[2600:2601,:]
test_result = Y[2600:2601,:]

classif = OneVsRestClassifier(SVC(kernel='rbf'))
classif.fit(training_X, training_y)
print(classif.predict(test_sample))
print(test_result)

在完成所有拟合过程后，当涉及到预测部分时，它说Label not x is present in all training examples（x 是我的 y 向量长度范围内的几个不同的数字，即 400）。之后，它给出预测的 y 向量，该向量始终为零向量，长度为 400（y 向量长度）。 我是 scikit-learn 和机器学习领域的新手。我无法弄清楚这里的问题。有什么问题以及我应该采取什么措施来解决它？ 谢谢。

这里有两个问题：

1）缺少标签警告
2) 你的预测结果全是 0

该警告意味着训练数据中缺少您的某些课程。这是一个常见问题。如果您有 400 个类，那么其中一些类必须很少出现，并且在数据的任何分割中，分割一侧可能会丢失某些类。也可能有一些类根本不会出现在您的数据中。你可以尝试Y.sum(axis=0).all()如果这是 False，那么有些类即使在 Y 中也不会出现。这听起来很可怕，但实际上，无论如何，你都无法正确预测出现 0、1 或任何非常少量次数的类，因此预测这些结果为 0 可能是您能做的最好的事情。

至于全 0 预测，我会指出，对于 400 个类，所有类发生的时间可能远少于一半。你可以检查一下Y.mean(axis=0).max()以获得最高的标签频率。如果有 400 个班级，这个比例可能只有百分之几。如果是这样，必须对每个类进行 0-1 预测的二元分类器可能会为所有实例上的所有类选择 0。这并不是真正的错误，这只是因为所有类别的频率都很低。

如果您知道每个实例都有一个正标签（至少一个），您可以获得决策值（clf.decision_function）并为每个实例选择最高的类别。不过，您必须编写一些代码才能做到这一点。

我曾经在类似的 Kaggle 比赛中获得前十名。这是一个包含约 200 个类别的多标签问题，其中没有一个发生的频率甚至是 10%，我们需要 0-1 预测。在这种情况下，我得到了决策值并取最高的值，加上任何高于阈值的值。我选择了在坚持集上效果最好的阈值。该条目的代码位于 Github 上：Kaggle 希腊媒体代码 https://github.com/davidthaler/Greek_media。你可能会看一下。

如果您已经读到这里，感谢您的阅读。希望有帮助。