我正在进行一个数据挖掘项目，并使用Python中的sklearn包来对我的数据进行分类。

为了训练我的数据并评估预测值的质量，我使用了sklearn.cross_validation.cross_val_predict函数。

然而，当我尝试在测试数据上运行我的模型时，它要求提供基本类，而这些类是不可用的。

我看到了一些可能的解决方法，使用sklearn.grid_search.GridSearchCV函数，但我不愿意在固定参数集上使用这种方法。

在查阅sklearn.cross_validation的文档时，我发现了cross_val_score函数。由于我对分类问题领域还比较新，我不太确定这个函数是否能解决我的问题。

任何帮助都将非常棒！

谢谢！

编辑：

你好！我觉得我最初的查询相当模糊。我会尽量详细说明我到底在做什么。开始吧：

我生成了三个numpy.ndarray，分别是X、X_test和y，它们的行数分别为10158、22513和10158，对应于我的训练数据、测试数据和训练数据的类别标签。

然后，我运行了以下代码：

    from sklearn.svm import SVC    from sklearn.cross_validation import cross_val_predict    clf = SVC()    testPred = cross_val_predict(clf,X,y,cv=2)

这运行得很好，然后我可以按照教程中提到的使用stemPred和y。

然而，我希望预测X_test的类别。错误消息相当明确，说：

    ValueError: Found arrays with inconsistent numbers of samples: [10158 22513]

我目前使用的解决方法（我不知道这是否是解决方法还是唯一的方法）是：

    from sklearn import grid_search    # 然后我创建参数网格（grid）和适当的评分函数（scorer）    model = grid_search.GridSearchCV(estimator = clf, param_grid = grid, scoring = scorer, refit = True, cv = 2, n_jobs = -1)    model.fit(X,y)    model.best_estimator_.fit(X,y)    testPred = model.best_estimator_.predict(X_test)

这种技术目前运行良好；然而，如果我不必使用GridSearchCV函数，我会睡得更好。

回答：

如果我理解正确的话，你把不同的事情混淆了。

假设你有一个给定方案的分类器。然后你可以用一些数据训练它，并预测（通常是其他）数据。这非常简单，看起来像这样。

首先我们构建预测器并拟合它。

from sklearn import svm, grid_search, datasetsfrom sklearn.cross_validation import train_test_splitiris = datasets.load_iris()clf = svm.SVC()train_x, test_x, train_y, test_y = train_test_split(iris.data, iris.target)>> clf.fit(train_x, train_y)SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0, kernel='rbf', max_iter=-1, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False)

现在它完全构建好了，你可以用它来预测。

>> clf.predict(test_x)array([1, 0, 0, 2, 0, 1, 1, 1, 0, 2, 2, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 2, 0,   1, 0, 2, 0, 2, 1, 2, 1, 2, 2, 2, 1, 0, 0, 0])

就这么简单。

这里发生了什么？

• 分类器有一个完全指定的方案 – 它只需要调整其参数

• 分类器根据训练数据调整其参数

• 分类器准备好进行预测

在许多情况下，分类器有一个需要使用参数调整的方案，但它也有元参数。一个例子是你的分类器的degree参数。

你应该如何调整它们？有几种方法。

• 不调整。只是坚持使用默认值（这就是我的例子所做的）

• 使用某种形式的交叉验证（例如，网格搜索）

• 使用某种复杂度度量，例如AIC、BIC等

所以重要的是不要把这些事情混淆。交叉验证不是获取测试数据预测器的某种技巧。具有默认参数的预测器已经可以做到这一点。交叉验证是用于调整元参数的。一旦你选择了它们，你就调整参数。然后你就有了另一个不同的预测器。