使用高级索引时形状不匹配

如何解决使用高级索引时形状不匹配

我正在开发一个自定义分类器，它的作用类似于集成，将次要分类器组合在一起，集成的输出实际上是多数投票。需要提及的一件重要事情是，每个分类器都有一个与每个样本相关联的“权重”。

这是 predict 方法：

def predict(self,X):        
    
    G = self._compute_g(X) # G comes from a softmax distribution
    pred = np.zeros( (len(self._estimators),X.shape[0]),dtype=int ) 
    
    for i,estimator in enumerate(self._estimators): #loop each minor classifier
        y_est = estimator.predict(X)    
        pred[i] = y_est

    pred = pred.T # Prediction matrix (samples x classifiers)
    C = len(self._classes) # number of classes of the dataset
    M,N = pred.shape

    row,col = np.indices((M,N))
    P3d = np.zeros(shape=(M,N,C))
    P3d[row,col,pred-1] = G
    P = P3d.sum(axis=1)
    return np.argmax(P,axis=1)

对于多数投票，我创建了一个 P 矩阵（样本 x n_classes），它对给定类别中投票的分类器权重求和。例如：假设我们有 3 个分类器试图预测 3 类问题的样本 k。分类器权重为 [0.3,0.4,0.6]，预测为 [1,1,2]。矩阵 k 的第 P 行将为 [0.7,0.6,0]，集成分类器的输出将为 1。

问题是我正在尝试使用高级索引来构建矩阵 P3d（用于构建矩阵 P），并且在尝试预测 Iris 数据集时出现以下错误：

ValueError: shape mismatch: value array of shape (150,6) Could not be broadcast to indexing result of shape (150,3)

这个错误来自这一行：P3d[row,pred-1] = G，但我不知道是什么导致了这个问题。

涉及的矩阵形状

G：n_samples x n_classifiers
pred (M,N)：n_samples x n_classifiers
P：n_samples x n_classes
函数返回（最后一行）：n_samples x 1

解决方法

如果没有看到完全可重现的代码，就很难判断 G = self._compute_g(X) 在做什么。但是，返回的值 G 似乎具有形状 (150,6)，而不是预期的 (150,3)。因此，您会得到形状不匹配错误。

我建议对 G 进行一些仔细检查，以确认 self._compute_g(X) 正在执行您期望的操作。

作为旁注，明智地使用 assert 来确认各种数组的形状可以帮助捕获许多此类错误。即assert G.shape == (M,N)