ValueError：在调用 cross_val_score 时发现未知类别

如何解决ValueError：在调用 cross_val_score 时发现未知类别

我正在将 Titanic 数据集作为我的第一个 kaggle 项目。但是我收到了这个用户警告，我正在努力找出如何摆脱它。

所以我做了两个预处理子管道：

num_pipeline = Pipeline([
('imputer',SimpleImputer( strategy='median')),('scaler',StandardScaler()) ])

cat_pipeline = Pipeline([
('imputer',SimpleImputer(strategy='constant',fill_value='missing')),('onehot',OneHotEncoder()) ])

我为构建模型选择的功能是：

numeric_features = ['Age','SibSp','Parch','fare']
categorical_features = ['Pclass','Sex','Embarked']

我的预处理管道是：

preprocessor = ColumnTransformer(
transformers = [
    ('num',num_pipeline,numeric_features),('cat',cat_pipeline,categorical_features)
])

在我的最终流水线中，我添加了一个分类器：

clf = Pipeline([
('Preprocessor',preprocessor),('Classifier',DecisionTreeClassifier()) ])

然后我调用 cross_val_score 来评估模型，这是我收到用户警告的时候：

cross_val_score(clf,X_train,y_train,cv=3,scoring="accuracy")

ValueError：在转换期间在第 2 列中发现未知类别 ['Missing'] 用户警告，

数组（[南，0.70403587，0.74774775]）

我的猜测是 cross_val_score 在没有“Missing”类别的情况下获得第一个折叠，然后在另一个“Missing”类别上对其进行测试。因此出现错误。 因此，我尝试删除“Embarked”中缺少值的行，但仍然出现奇怪的错误。

解决方法

我希望你做到了以下几点：

1. 清理数据集，即填充所有列的所有 na/缺失值
2. 过滤并删除 NaN 行，即所有值 NaN 行