这是如何实现的？我使用Sklearn来训练SVM。我的类别是不平衡的。请注意，我的任务是多类别、多标签的，所以我使用了OneVsRestClassifier:
mlb = MultiLabelBinarizer()y = mlb.fit_transform(y_train)clf = OneVsRestClassifier(svm.SVC(kernel='rbf'))clf = clf.fit(x, y) pred = clf.predict(x_test)我可以在某个地方添加’sample_weight’参数来处理不平衡的类别吗？
当我向svm添加class_weight字典时，我得到了以下错误:
ValueError: Class label 2 not present这是因为我使用mlb将我的标签转换成了二进制。然而，如果我不转换标签，我会得到:
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. class_weight是一个字典，将类别标签映射到权重: {1: 1, 2: 1, 3: 3…}
以下是x和y的详细信息:
print(X[0]) [ 0.76625633 0.63062721 0.01954162 ..., 1.1767817 0.249034 0.23544988]print(type(X))<type 'numpy.ndarray'>print(y[0])print(type(y))[1, 2, 3, 4, 5, 6, 7]<type 'numpy.ndarray'>请注意，mlb = MultiLabelBinarizer(); y = mlb.fit_transform(y_train)将y转换为二进制数组。
建议的答案产生了以下错误:
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.因此，问题简化为将标签（一个np.array）转换为稀疏矩阵。
from scipy import sparsey_sp = sparse.csr_matrix(y) 这产生了以下错误:
TypeError: no supported conversion for types: (dtype('O'),)我将为此开启一个新的查询。
回答：
你可以使用:
class_weight : {dict, ‘balanced’}, optional
将类别i的参数C设置为
class_weight[i]*C用于SVC。如果未给出，则假设所有类别的权重为1。”balanced”模式使用y的值自动调整权重，使其与输入数据中类别频率成反比，如n_samples / (n_classes * np.bincount(y))
clf = OneVsRestClassifier(svm.SVC(kernel='rbf', class_weight='balanced'))