Scikit Learn Multilabel Classification: ValueError: Wygląda na to, że używasz starszej wersji reprezentacji wielu etykiet

Question

Próbuję użyć scikit uczyć się 0.17 z anacondą 2.7 dla problemu klasyfikacji wielolabelowej. tutaj jest mój kod

import pandas as pd 
import pickle 
import re 
from sklearn.cross_validation import train_test_split 
from sklearn.metrics.metrics import classification_report, accuracy_score, confusion_matrix 
from nltk.stem import WordNetLemmatizer 
from sklearn.feature_extraction.text import TfidfVectorizer 
from sklearn.naive_bayes import MultinomialNB as MNB 
from sklearn.pipeline import Pipeline 
from sklearn.grid_search import GridSearchCV 

traindf = pickle.load(open("train.pkl","rb")) 

X, y = traindf['colC'], traindf['colB'].as_matrix() 

Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, train_size=0.7) 

pip = Pipeline([ 
('vect', TfidfVectorizer(
         analyzer='word', 
         binary=False, 
         decode_error='ignore', 
         dtype=<type 'numpy.int64'>, 
         encoding=u'utf-8', 
         input=u'content', 
         lowercase=True, 
         max_df=0.25, 
         max_features=None, 
         min_df=1, 
         ngram_range=(1, 1), 
         norm=u'l2', 
         preprocessor=None, 
         smooth_idf=True, 
         stop_words='english', 
         strip_accents=None, 
         sublinear_tf=True, 
         token_pattern=u'(?u)\\b\\w\\w+\\b', 
         tokenizer=nltk.data.load('tokenizers/punkt/english.pickle'), 
         use_idf=True, vocabulary=None)), 
('clf', LogisticRegression(
         C=10, 
         class_weight=None, 
         dual=False, 
         fit_intercept=True, 
         intercept_scaling=1, 
         max_iter=100, 
         multi_class='multinomial', 
         n_jobs=1, 
         penalty='l2', 
         random_state=None, 
         solver='lbfgs', 
         tol=0.0001, 
         verbose=0, 
         warm_start=False)) 
       ]) 

parameters = {} 

gridSearchTS = GridSearchCV(pip,parameters,n_jobs=3, verbose=1, scoring='accuracy') 
gridSearchTS.fit(Xtrain, ytrain) 

predictions = gridSearchTS.predict(Xtest) 

print ('Accuracy:', accuracy_score(ytest, predictions)) 
print ('Confusion Matrix:', confusion_matrix(ytest, predictions)) 
print ('Classification Report:', classification_report(ytest, predictions)) 

testdf = pickle.load(open("test.pkl","rb")) 

predictions=gridSearchTS.predict(testdf['colC']) 

testdf['colB'] = predictions 

print(testdf.info()) 

testdf.to_csv("res.csv") 

i tutaj jest to, co moje dane wygląda

szkolenie

colC    colB 
some text   [list of tags] 
some text   [list of tags] 

Test

colC      
some text   
some text 

ale pojawia się błąd

raise ValueError('You appear to be using a legacy multi-label data' 
ValueError: You appear to be using a legacy multi-label data representation. Sequence of sequences are no longer supported; use a binary array or sparse matrix instead. 

co to znaczy?

Oto pełny StackTrace

Traceback (most recent call last): 

    File "X:\asd.py", line 34, in getTags 
    gridSearchTS.fit(Xtrain, ytrain) 
    File "X:\popol\Continuum\Anaconda2\lib\site-packages\sklearn\grid_search.py", line 804, in fit 
    return self._fit(X, y, ParameterGrid(self.param_grid)) 
    File "X:\popol\Continuum\Anaconda2\lib\site-packages\sklearn\grid_search.py", line 532, in _fit 
    cv = check_cv(cv, X, y, classifier=is_classifier(estimator)) 
    File "X:\popol\Continuum\Anaconda2\lib\site-packages\sklearn\cross_validation.py", line 1676, in check_cv 
    if type_of_target(y) in ['binary', 'multiclass']: 
    File "X:\popol\Continuum\Anaconda2\lib\site-packages\sklearn\utils\multiclass.py", line 251, in type_of_target 
    raise ValueError('You appear to be using a legacy multi-label data' 
ValueError: You appear to be using a legacy multi-label data representation. Sequence of sequences are no longer supported; use a binary array or sparse matrix instead. 

jak to naprawić? czy muszę zmienić format moich danych? dlaczego gridSearchTS.fit (Xtrain, ytrain) zawodzi? Jak ustawić X i Y odpowiednie dla funkcji dopasowania?

Edit

Próbowałem

 from sklearn.preprocessing import MultiLabelBinarizer 
     y=MultiLabelBinarizer().fit_transform(y)  

     random_state = np.random.RandomState(0) 


     # Split into training and test 
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5, 
                  random_state=random_state) 

     # Run classifier 
     from sklearn import svm, datasets 
     classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True, 
             random_state=random_state)) 
     y_score = classifier.fit(X_train, y_train).decision_function(X_test) 

ale teraz ja dostać

ValueError: could not convert string to float: <value of ColC here> 

na

y_score = classifier.fit(X_train, y_train).decision_function(X_test) 

Czy muszę również binaryzować X? dlaczego muszę przekonwertować wymiar X na zmiennoprzecinkowe?

Answer 1

Dokumenty podać następujący przykład:

>>> from sklearn.preprocessing import MultiLabelBinarizer 
>>> y = [[2, 3, 4], [2], [0, 1, 3], [0, 1, 2, 3, 4], [0, 1, 2]] 
>>> MultiLabelBinarizer().fit_transform(y) 
array([[0, 0, 1, 1, 1], 
     [0, 0, 1, 0, 0], 
     [1, 1, 0, 1, 0], 
     [1, 1, 1, 1, 1], 
     [1, 1, 1, 0, 0]]) 

MultiLabelBinarizer.fit_transform trwa w swoich zestawach oznakowanych i może wyjście tablicę binarny. Dane wyjściowe powinny następnie być w porządku, aby przejść do funkcji dopasowania.