创建一维 numpy.ndarray 而不是二维

如何解决创建一维 numpy.ndarray 而不是二维

我正在尝试使用 Python 进行分类。 我有一些输入列（让 k 个变量）和一个输出列。

Let inputfeatures 
  = array([[ 0,...,0],[ 1,[ 0,1,0]],dtype=int64)
target_array
= array([0,1],dtype=int64)

我正在拟合模型，

trainedModel = model.fit(inputfeatures,target_array)

我使用的分类器需要所有数据实例的数据表型由长度为 n 的一维 numpy.ndarray 表示。

我在拟合时没有出错，因为 target_array 是长度为 n 的一维 numpy.ndarray。

假设，我需要两个输出变量，我如何创建一个长度为 n 的一维 numpy.ndarray 以适应模型？

我只是尝试如下：

target_array=data[data.columns[data.columns.isin(['var1','var2'])]].values
target_array
array([[1,[0,[1,dtype=int64)

但它是二维的。如何使它成为长度为 n 的一维 numpy.ndarray？

解决方法

您不能简单地将 n 维标签（或“目标输出”）转换为一维标签。在某些情况下，输出分布是嵌入到 m 维空间中的 n 维流形，您可以尝试先进行投影（如有必要，包括非线性投影），但是您必须非常仔细地考虑您希望分类器或回归器学习什么。

一个简单的策略是每个输出标签都有一个专门的学习器。这将在机械意义上“起作用”，您将能够预测与输入分布一致的任何输入的输出。但它会忽略输出变量之间可能的交互。想象一下这样的 2D 输出分布：

两个学习者，每个人只看到一个输出变量，将没有机会了解该输出结构，并且可能（并且错误地）预测正象限中应该为空的一些输出点。

一种策略是从您的输入 y_0 中学习第一个变量 X。然后在使用来自第一个分类器的预测 y_1 扩充您的输入 X 之后学习第二个变量 y_0_hat。等等。

一般来说，请查看：

• 
• Wikipedia: Multi-label classification，尤其是我相信您正在寻找的“多输出”类。