MLP分类

Question

我是机器学习的新手，我正在开发一个python应用程序，该应用程序使用数据集对扑克手进行分类，我将发布代码片段。看来效果不太好。我得到了以下错误：

File "C:Testing.py", line 32, in <module>
    print(classification_report(training_data, predictions))
  File "C:Anaconda3\lib\site-packages\sklearn\metrics\classification.py", line 1391, in classification_report
    labels = unique_labels(y_true, y_pred)
  File "C:\Anaconda3\lib\site-packages\sklearn\utils\multiclass.py", line 84, in unique_labels
    raise ValueError("Mix type of y not allowed, got types %s" % ys_types)
ValueError: Mix type of y not allowed, got types {'multiclass-multioutput', 'multiclass'}

下面是我创建的代码：

import pandas as pnd
from sklearn.preprocessing import StandardScaler
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import classification_report,confusion_matrix

training_data = pnd.read_csv("train.csv")
print(training_data)
training_data['id'] = range(1, len(training_data) + 1)  # For 1-base index
print(training_data)

test_data = pnd.read_csv("test.csv")
result = pnd.DataFrame(test_data['id'])
print(result)
test_data = test_data.drop(['id'], axis=1)

training_datafile = training_data
labels = training_datafile['hand']
features = training_datafile.drop(['id', 'hand'], axis=1)
scaler = StandardScaler()
# Fit only to the training data
scaler.fit(training_datafile)
X_train = scaler.transform(training_datafile)
X_test = scaler.transform(training_datafile)
mlp = MLPClassifier(hidden_layer_sizes=(100, 100, 100))
mlp.fit(features, labels)
predictions = mlp.predict(test_data)
len(mlp.coefs_)
len(mlp.coefs_[0])
len(mlp.intercepts_[0])
result.insert(1, 'hand', predictions)
result.to_csv("./ANNTEST.csv", index=False)
print(classification_report(training_data, predictions))

下面是分别使用培训数据和测试数据的数据集的片段：

试验数据

​

这个程序基本上是有效的，我正设法预测扑克手，如下所示：

我想知道的是显示某种精度百分比，或者像classification_report这样的函数。引导我朝着正确的方向前进会有很大的帮助！

Answer 1

我认为您在这里出现了一个错误，因为您使用的classification_report不正确。让我们来看看文档：

classification_report(y_true, y_pred, ...)

y_true : 1d array-like, or label indicator array / sparse matrix    
         Ground truth (correct) target values.

y_pred : 1d array-like, or label indicator array / sparse matrix
         Estimated targets as returned by a classifier.

将training_data作为第一个参数传递(它不是一维数组)。相反，你需要通过你的测试数据的真正的手，你想要比较你的预测的手，你的训练分类器。因此，这可能会奏效：

print(classification_report(test_data["hand"], predictions))