Sci-kit学习PLS、SVD和交叉验证

Question

当响应变量的形状为(N,)而不是(N,1)时，Sci-kit中的N类似乎失败了，其中N是数据集中的样本数。

但是，当响应变量的形状为(N,1)而不是(N,)时，(N,)就会失败。我怎么才能把它们放在一起？

代码片段：

from sklearn.pipeline import Pipeline
from sklearn.cross_decomposition import PLSSVD
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

# x -> (N, 60) numpy array
# y -> (N, ) numpy array

# These are the classifier 'pieces' I'm using
plssvd = PLSSVD(n_components=5, scale=False)
logistic = LogisticRegression(penalty='l2', C=0.5)
scaler = StandardScaler(with_mean=True, with_std=True)

# Here's the pipeline that's failing
plsclf = Pipeline([('scaler', scaler),
                   ('plssvd', plssvd), 
                   ('logistic', logistic)])

# Just to show how I'm using the pipeline for a working classifier
logclf = Pipeline([('scaler', scaler),
                   ('logistic', logistic)])

##################################################################

# This works fine
log_scores = cross_validation.cross_val_score(logclf, x, y, scoring='accuracy',
                                              verbose=True, cv=5, n_jobs=4)

# This fails!
pls_scores = cross_validation.cross_val_score(plsclf, x, y, scoring='accuracy',
                                              verbose=True, cv=5, n_jobs=4)

具体来说，它在cross_decomposition/pls_.pyc的cross_decomposition/pls_.pyc函数中失败，'IndexError: tuple index out of range'位于第103：y_std = np.ones(Y.shape[1])行，因为形状元组只有一个元素。

如果我在scale=True构造函数中设置了PLSSVD，那么它在第99：y_std[y_std == 0.0] = 1.0行的相同函数中会失败，因为它试图对浮点数执行布尔索引(y_std是浮点数，因为它只有一个维度)。

看起来，就像一个简单的修复方法，只需确保y变量有两个维度，(N,1)。然而，：

如果我从输出变量y中创建一个维度为y的数组，它仍然会失败。为了更改数组，我在运行cross_val_score之前添加了以下内容

y = np.transpose(np.array([y]))

然后，它在第398行的sklearn/cross_validation.py中失败：

File "my_secret_script.py", line 293, in model_create
    scores = cross_validation.cross_val_score(plsclf, x, y, scoring='accuracy', verbose=True, cv=5, n_jobs=4)
File "/Users/my.secret.name/anaconda/lib/python2.7/site-packages/sklearn/cross_validation.py", line 1129, in cross_val_score
    cv = _check_cv(cv, X, y, classifier=is_classifier(estimator))
File "/Users/my.secret.name/anaconda/lib/python2.7/site-packages/sklearn/cross_validation.py", line 1216, in _check_cv
    cv = StratifiedKFold(y, cv, indices=needs_indices)
File "/Users/my.secret.name/anaconda/lib/python2.7/site-packages/sklearn/cross_validation.py", line 398, in __init__
    label_test_folds = test_folds[y == label]
ValueError: boolean index array should have 1 dimension

我正在OSX，NumPy版本1.8.0，Sci-kit学习版本0.15-git上运行这个程序.

任何将PLSSVD与cross_val_score结合使用的方法

Answer 1

偏最小二乘将您的数据X和目标Y投影到由n_components向量各自覆盖的线性子空间中。它们的投影方式是将一个预测变量的回归分数最大化。

组件的数量，即潜在子空间的维数，是由变量中的特征数所限制的。您的变量Y只有一个特性(一列)，因此潜在子空间是一维的，有效地将您的构造简化为更类似(但不完全相同)的线性回归。因此，在这种特殊情况下使用偏最小二乘可能是没有用的。

请看以下内容：

import numpy as np
rng = np.random.RandomState(42)
n_samples, n_features_x, n_features_y, n_components = 20, 10, 1, 1
X = rng.randn(n_samples, n_features_x)
y = rng.randn(n_samples, n_features_y)

from sklearn.cross_decomposition import PLSSVD
plssvd = PLSSVD(n_components=n_components)

X_transformed, Y_transformed = plssvd.fit_transform(X, y)

X_transformed和Y_transformed是形状n_samples, n_components的数组，它们是X和Y的投影版本。

关于在PLSSVD中使用Pipeline的问题，您的答案是no，因为Pipeline对象使用变量X和< code >D19调用fit和transform作为参数(如果可能的话)，如果可能的话，它们返回包含投影的X和Y值的元组。管道中的下一步将无法处理这个问题，因为它会认为这个元组是新的X。

这种类型的失败是由于sklearn刚刚开始系统地支持多个目标。您试图使用的PLSSVD估计器本质上是多目标的，即使您只在一个目标上使用它。

解决方案：不要在一维目标上使用偏最小二乘，即使它与流水线一起工作，也不会有任何增益。