Я пытался классифицировать набор данных о вине здесь - http://archive.ics.uci.edu/ml/datasets/Wine+Quality с использованием логистической регрессии (с методом = 'bfgs' и нормой l1) и обнаружил ошибку матрицы единственного числа (поднять LinAlgError('Особая матрица'), несмотря на полного ранга [который я тестировал, используя np.linalg.matrix_rank(data[train_cols].values)] .
Вот как я пришел к выводу, что некоторые функции могут быть линейными комбинациями других. Для этого я экспериментировал с использованием Grid search/LinearSVC - и я получаю сообщение об ошибке ниже вместе с моим кодом и набором данных.
Я вижу, что только 6/7 функций на самом деле «независимы», что я интерпретирую при сравнении строк x_train_new[0] и x_train (поэтому я могу определить, какие столбцы являются избыточными).
# Train & test DATA CREATION
from sklearn.svm import LinearSVC
import numpy, random
import pandas as pd
df = pd.read_csv("https://github.com/ekta1007/Predicting_wine_quality/blob/master/wine_red_dataset.csv")
#,skiprows=0, sep=',')
df=df.dropna(axis=1,how='any') # also tried how='all' - still get NaN errors as below
header=list(df.columns.values) # or df.columns
X = df[df.columns - [header[-1]]] # header[-1] = ['quality'] - this is to make the code genric enough
Y = df[header[-1]] # df['quality']
rows = random.sample(df.index, int(len(df)*0.7)) # indexing the rows that will be picked in the train set
x_train, y_train = X.ix[rows],Y.ix[rows] # Fetching the data frame using indexes
x_test,y_test = X.drop(rows),Y.drop(rows)
# Training the classifier using C-Support Vector Classification.
clf = LinearSVC(C=0.01, penalty="l1", dual=False) #,tol=0.0001,fit_intercept=True, intercept_scaling=1)
clf.fit(x_train, y_train)
x_train_new = clf.fit_transform(x_train, y_train)
#print x_train_new #works
clf.predict(x_test) # does NOT work and gives NaN errors for some x_tests
clf.score(x_test, y_test) # Does NOT work
clf.coef_ # Works, but I am not sure, if this is OK, given huge NaN's - or does the coef's get impacted ?
clf.predict(x_train)
552 NaN
209 NaN
427 NaN
288 NaN
175 NaN
427 NaN
748 7
552 NaN
429 NaN
[... and MORE]
Name: quality, Length: 1119
clf.predict(x_test)
76 NaN
287 NaN
420 7
812 NaN
443 7
420 7
430 NaN
373 5
624 5
[..and More]
Name: quality, Length: 480
Странно то, что когда я запускаю clf.predict(x_train), я все еще вижу некоторые NaN. Что я делаю неправильно? Ведь модель была обучена с использованием этого, и этого НЕ должно происходить, верно?
Согласно этой ветке, я также проверил, что в моем CSV-файле нет пустых значений (хотя я переименовал "качество" только на метки 5 и 7 (из диапазона (3,10) Как исправить проблему NaN или бесконечности для разреженной матрицы в python ?
Также - вот тип данных x_test и y_test/train...
x_test
<class 'pandas.core.frame.DataFrame'>
Int64Index: 480 entries, 1 to 1596
Data columns:
alcohol 480 non-null values
chlorides 480 non-null values
citric acid 480 non-null values
density 480 non-null values
fixed acidity 480 non-null values
free sulfur dioxide 480 non-null values
pH 480 non-null values
residual sugar 480 non-null values
sulphates 480 non-null values
total sulfur dioxide 480 non-null values
volatile acidity 480 non-null values
dtypes: float64(11)
y_test
1 5
10 5
18 5
21 5
30 5
31 7
36 7
40 5
50 5
52 7
53 5
55 5
57 5
60 5
61 5
[..And MORE]
Name: quality, Length: 480
и наконец..
clf.score(x_test, y_test)
Traceback (most recent call last):
File "<pyshell#31>", line 1, in <module>
clf.score(x_test, y_test)
File "C:\Python27\lib\site-packages\sklearn\base.py", line 279, in score
return accuracy_score(y, self.predict(X))
File "C:\Python27\lib\site-packages\sklearn\metrics\metrics.py", line 742, in accuracy_score
y_true, y_pred = check_arrays(y_true, y_pred)
File "C:\Python27\Lib\site-packages\sklearn\utils\validation.py", line 215, in check_arrays
File "C:\Python27\Lib\site-packages\sklearn\utils\validation.py", line 18, in _assert_all_finite
ValueError: Array contains NaN or infinity.
#I also explicitly checked for NaN's as here -:
for i in df.columns:
df[i].isnull()
Совет. Пожалуйста, также укажите, правильно ли я думаю об использовании LinearSVC, учитывая мой вариант использования, или мне следует использовать Grid-search?
Отказ от ответственности. Части этого кода были построены на предложениях в аналогичных контекстах из StackOverflow и других источников. Мой реальный вариант использования — это просто попытка доступа, подходит ли этот метод для моего сценария. Это все.
