我有一个包含200条数据的小数据集。这个数据集非常简单：每一行包含一个在[0, 1]范围内的实数值，并映射到一个标签。总共有24个标签，我的任务本质上是训练一个分类器来找到映射到每个标签的范围。

我想到了两种方法。第一种是使用支持向量分类器（SVC），因为它们能够将输入平面分成24个区域，这正是我所需要的。然而，当我尝试编写代码时，结果非常糟糕：分类器没有学到任何东西，无论输入值是什么，它都会输出相同的标签。

我正在考虑的第二种方法是使用神经网络，但考虑到特征和训练数据的缺乏，我非常怀疑这种方法的可行性。

如果需要，我可以分享我使用scikit-learn开发的SVC代码。

以下是我在终端上导出的数据预览：

Label: Min, Mean, Max{0: [0.96, 0.98, 1.0], 1: [0.15, 0.36, 0.92], 2: [0.14, 0.56, 0.98], 3: [0.37, 0.7, 1.0], 4: [0.23, 0.23, 0.23], 6: [0.41, 0.63, 0.97], 7: [0.13, 0.38, 0.61], 8: [0.11, 0.68, 1.0], 9: [0.09, 0.51, 1.0], 10: [0.19, 0.61, 0.97], 11: [0.26, 0.41, 0.57], 12: [0.29, 0.72, 0.95], 13: [0.63, 0.9, 0.99], 14: [0.06, 0.55, 1.0], 15: [0.1, 0.64, 1.0], 16: [0.26, 0.58, 0.95], 17: [0.29, 0.88, 1.0], 21: [0.58, 0.79, 1.0], 22: [0.24, 0.59, 0.94], 23: [0.12, 0.62, 0.95]}

如你所见，数据分布非常分散，但我希望找出每个标签最能代表的范围是否存在。

如果有人能告诉我我是否走在正确的道路上，我将不胜感激。谢谢！

回答：

如果我们假设每个类别的样本是大致集中（但仍然有噪声；可以有重叠），那么在sklearn中最自然的分类器可能是高斯朴素贝叶斯，我们假设每个类别的点遵循正态分布。

以下是一些代码，用于构建一些假数据，对其进行分类并评估：

import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBfrom sklearn.metrics import accuracy_scorenp.random.seed(1)""" Data-params + Data-generation """N_CLASSES = 24N_SAMPLES_PER_CLASS = 10SIGMA = 0.01class_centers = np.random.random(size=N_CLASSES)# ugly code with bad numpy-styleX = []for class_center in class_centers:    samples = np.random.normal(size=N_SAMPLES_PER_CLASS)*SIGMA    for sample in samples + class_center:        X.append(sample)Y = []for ind, c in enumerate(class_centers):    for s in range(N_SAMPLES_PER_CLASS):        Y.append(ind)X = np.array(X).reshape(-1, 1)Y = np.array(Y)""" Split & Fit & Eval """X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.1, random_state=0)et = GaussianNB()et.fit(X_train, y_train)print('Prediction on test')preds = et.predict(X_test)print(preds)print('Original samples')print(y_test)print('Accuracy-score')print(accuracy_score(y_test, preds))

输出

Prediction on test[10  7  3  7  8  3 23  3 11 19  7 20  8 15 11 13 18 11  3 16  8  9  8 12]Original samples[10  7  3  7 10 22 15 22 15 19  7 20  8 15 23 13 18 11 22  0 10 17  8 12]Accuracy-score0.583333333333

当然，结果高度依赖于N_SAMPLES_PER_CLASS和SIGMA。

编辑：

由于你现在展示了你的数据，很明显我的假设不成立。请看以下由这段代码生成的图表（文件已从[]()中删除；人们真的应该发布csv兼容的数据！）：

import pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsdata = pd.read_csv('idVXjwgZ.txt', usecols=[0,1], names=['x', 'y'])sns.swarmplot(data=data, x='y', y='x')plt.show()

图表：

现在想象一下观察到某个x值，你需要决定y值。对于大多数x范围来说，这非常困难。

显然还有类别平衡问题，这解释了为什么大多数预测输出的是类别14。