python多标签分类模版
from sklearn.multioutput import MultiOutputClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import ExtraTreesClassifier
import numpy as np
from pandas import read_csv
import pandas as pd root1="F:/goverment/shuili2/techproblem_text_train.csv"
root2="F:/goverment/shuili2/techproblem_text_test.csv"
root3="F:/goverment/shuili2/text_train_4problem.csv"
root4="F:/goverment/shuili2/text_test_4problem.csv" '''大类小类一起预测'''
#root2="./id="+str(id_num)+"_process_data.csv"
dataset1 = read_csv(root1) #数据转化为数组
dataset1=dataset1.values
dataset2 = read_csv(root2) #数据转化为数组
dataset2=dataset2.values
X_train=dataset1[:,:28]# 到28之前都是变量
Y_train=dataset1[:,28:]# 28到之后都是lable
X_test=dataset2[:,:28]
Y_test=dataset2[:,28:] print('多输出多分类器真实输出分类:\n',Y_train)
n_samples, n_features = X_train.shape #4000 29
n_outputs = Y_train.shape[1] # 4000*8
n_classes = 50 # 每种输出有50种分类
forest = RandomForestClassifier(n_estimators=500,random_state=1) # 生成随机森林多分类器
multi_target_forest = MultiOutputClassifier(forest) # 构建多输出多分类器
y_pred = multi_target_forest.fit(X_train, Y_train).predict(X_train)
print('多输出多分类器预测输出分类:\n',y_pred)
pp=multi_target_forest.predict(X_test)
a=pp
k=0
for i in range(len(a)):
if a[i][0]==Y_test[i][0] and a[i][1]==Y_test[i][1] and a[i][2]==Y_test[i][2] and a[i][3]==Y_test[i][3] and a[i][4]==Y_test[i][4] and a[i][5]==Y_test[i][5] and a[i][6]==Y_test[i][6] and a[i][7]==Y_test[i][7]:
k+=1
aa=k/1328*1.0
print(aa) '''只预测大类'''
#root2="./id="+str(id_num)+"_process_data.csv"
dataset3 = read_csv(root1) #数据转化为数组
dataset3=dataset3.values
dataset4 = read_csv(root2) #数据转化为数组
dataset4=dataset4.values
X_train_big=dataset3[:,:28]
Y_train_big=dataset3[:,28:32]
X_test_big=dataset4[:,:28]
Y_test_big=dataset4[:,28:32]
print('只预测大类:多输出多分类器真实输出分类:\n',Y_train_big)
n_samples, n_features = X_train_big.shape #4000 29
n_outputs = Y_train_big.shape[1] # 4000*8
n_classes = 11 # 每种输出有11种分类
forest = RandomForestClassifier(n_estimators=200,random_state=1) # 生成随机森林多分类器
multi_target_forest = MultiOutputClassifier(forest) # 构建多输出多分类器
y_pred = multi_target_forest.fit(X_train_big, Y_train_big).predict(X_train_big)
print('多输出多分类器预测输出分类:\n',y_pred)
pp=multi_target_forest.predict(X_test_big)
a=pp
k=0
for i in range(len(a)):
if a[i][0]==Y_test_big[i][0] and a[i][1]==Y_test_big[i][1] and a[i][2]==Y_test_big[i][2] and a[i][3]==Y_test_big[i][3]:
k+=1
aa=k/1328*1.0
print(aa) '''只预测小类'''
#root2="./id="+str(id_num)+"_process_data.csv"
dataset4 = read_csv(root3) #数据转化为数组
dataset4=dataset4.values
dataset5 = read_csv(root4) #数据转化为数组
dataset5=dataset5.values
X_train_samll=dataset4[:,:28]
Y_train_samll=dataset4[:,28:32]
X_test_samll=dataset5[:,:28]
Y_test_samll=dataset5[:,28:32]
print('只预测小类:多输出多分类器真实输出分类:\n',Y_train_samll)
n_samples, n_features = X_train_samll.shape #4000 29
n_outputs = Y_train_samll.shape[1] # 4000*4
n_classes = 61 # 每种输出有61种分类
forest = RandomForestClassifier(n_estimators=200,random_state=1) # 生成随机森林多分类器
multi_target_forest = MultiOutputClassifier(forest) # 构建多输出多分类器
y_pred = multi_target_forest.fit(X_train_samll, Y_train_samll).predict(X_train_samll)
print('多输出多分类器预测输出分类:\n',y_pred)
pp=multi_target_forest.predict(X_test_samll)
a=pp
k=0
for i in range(len(a)):
if a[i][0]==Y_test_samll[i][0] and a[i][1]==Y_test_samll[i][1] and a[i][2]==Y_test_samll[i][2] and a[i][3]==Y_test_samll[i][3]:
k+=1
aa=k/1328*1.0
print(aa) '''
from pandas import read_csv
import pandas as pd
import numpy as np
from skmultilearn.problem_transform import BinaryRelevance
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score root1="D:/Anaconda3-5.0.1-Windows-x86_64/anaconda/work/shuili2/data.csv"
#root2="./id="+str(id_num)+"_process_data.csv"
dataset = read_csv(root1) #数据转化为数组
dataset=dataset.values
x_train=dataset[:4000,:29]
y_train=dataset[:4000,29:] x_test=dataset[4000:,:29]
y_test=dataset[4000:,29:] # initialize binary relevance multi-label classifier
# with a gaussian naive bayes base classifier
classifier = BinaryRelevance(GaussianNB()) # train
classifier.fit(x_train, y_train) # predict
predictions = classifier.predict(x_test)
accuracy_score(y_test,predictions)
''' '''---------------------------------'''
'''
import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.wrappers.scikit_learn import KerasClassifier
from keras.utils import np_utils
from sklearn.model_selection import train_test_split, KFold, cross_val_score
from sklearn.preprocessing import LabelEncoder
from pandas import read_csv
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score root1="D:/Anaconda3-5.0.1-Windows-x86_64/anaconda/work/shuili2/data.csv"
#root2="./id="+str(id_num)+"_process_data.csv"
dataset = read_csv(root1) #数据转化为数组
dataset=dataset.values # load dataset
dataframe = pd.read_csv("data.csv", header=None)
dataset = dataframe.values
X = dataset[:, 0:29].astype(float)
Y = dataset[:, 29:] # encode class values as integers
#encoder = LabelEncoder()
#encoded_Y = encoder.fit_transform(Y)
# convert integers to dummy variables (one hot encoding)
#dummy_y = np_utils.to_categorical(encoded_Y) # define model structure
def baseline_model():
model = Sequential()
model.add(Dense(output_dim=10, input_dim=29, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(output_dim=8, input_dim=10, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
estimator = KerasClassifier(build_fn=baseline_model, nb_epoch=200, batch_size=50)
# splitting data into training set and test set. If random_state is set to an integer, the split datasets are fixed.
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.01, random_state=0)
estimator.fit(X_train, Y_train) # make predictions
pred = estimator.predict(X_test) # inverse numeric variables to initial categorical labels
#init_lables = encoder.inverse_transform(pred) # k-fold cross-validate
seed = 42
np.random.seed(seed)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(estimator, X, Y, cv=kfold)
'''
from pandas import read_csv root1="F:/goverment/shuili2/techproblem_text_train.csv"
root2="F:/goverment/shuili2/techproblem_text_test.csv"
root3="F:/goverment/shuili2/text_train_4problem.csv"
root4="F:/goverment/shuili2/text_test_4problem.csv" '''大类小类一起预测'''
#root2="./id="+str(id_num)+"_process_data.csv"
dataset1 = read_csv(root1) #数据转化为数组
dataset1=dataset1.values
dataset2 = read_csv(root2) #数据转化为数组
dataset2=dataset2.values
X_train=dataset1[:,:28]
Y_train=dataset1[:,28:]
X_test=dataset2[:,:28]
Y_test=dataset2[:,28:] from pprint import pprint
pprint(dataset1) ##使用二进制相关性
#scikit-multilearn
from skmultilearn.problem_transform import BinaryRelevance
from sklearn.naive_bayes import GaussianNB #initialize二进制相关多标签分类器
#用高斯朴素贝叶斯基分类器
classifier = BinaryRelevance(GaussianNB()) #训练
classifier.fit(X_train, Y_train) #预测
predictions = classifier.predict(X_test) #计算精度用
from sklearn.metrics import accuracy_score
accuracy_score(Y_test,predictions)
python多标签分类模版的更多相关文章
- Python-HTML 最强标签分类
编程: 使用(展示)数据 存储数据 处理数据 前端 1. 前端是做什么的? 2. 我们为什么要学前端? 3. 前端都有哪些内容? 1. HTML 2. CSS 3. JavaScript 4.jQue ...
- 前端入门html(常用标签及标签分类)
day47 参考:https://www.cnblogs.com/liwenzhou/p/7988087.html 任何标签都有有三个属性:ID,class.style <!DOCTYPE ht ...
- 使用MXNet远程编写卷积神经网络用于多标签分类
最近试试深度学习能做点什么事情.MXNet是一个与Tensorflow类似的开源深度学习框架,在GPU显存利用率上效率高,比起Tensorflow显著节约显存,并且天生支持分布式深度学习,单机多卡.多 ...
- LM-MLC 一种基于完型填空的多标签分类算法
LM-MLC 一种基于完型填空的多标签分类算法 1 前言 本文主要介绍本人在全球人工智能技术创新大赛[赛道一]设计的一种基于完型填空(模板)的多标签分类算法:LM-MLC,该算法拟合能力很强能感知标签 ...
- scikit-learn一般实例之八:多标签分类
本例模拟一个多标签文档分类问题.数据集基于下面的处理随机生成: 选取标签的数目:泊松(n~Poisson,n_labels) n次,选取类别C:多项式(c~Multinomial,theta) 选取文 ...
- CSS.02 -- 样式表 及标签分类(块、行、行内块元素)、CSS三大特性、背景属性
样式表书写位置 内嵌式写法 <head> <style type="text/css"> 样式表写法 </style> </head&g ...
- html(常用标签,标签分类),页面模板, CSS(css的三种引入方式),三种引入方式优先级
HTML 标记语言为非编程语言负责完成页面的结构 组成: 标签:被<>包裹的由字母开头,可以结合合法字符( -|数字 ),能被浏览器解析的特殊符号,标签有头有尾 指令:被<>包 ...
- 前端 HTML 标签分类
三种: 1.块级标签: 独占一行,可设置宽度,高度.如果设置了宽度和高度,则就是当前的宽高.如果宽度和高度没有设置,宽度是父盒子的宽度,高度根据内容填充. 2.行内标签:在一行内显示,不能设置宽度,高 ...
- htm基础知识,css的链入以及标签分类。
<!DocTYPE> DOC--Document 文档 TYPE 类型 文档类型 告诉浏览器这是什么文件 单标签: meta 设置 charset 设置编码 双标签: 开始 ...
随机推荐
- 将django的admin后台界面改为中文
很简单,直接修改settings配置文件的以下3项(django==1.9). LANGUAGE_CODE = 'zh-hans' TIME_ZONE = 'Asia/Shanghai' USE_TZ ...
- Python中的数据结构 --- 元组(tuple)、字典(tuple)
元组(tuple)本身是不可变数据类型,没有增删改查:元组内可以存储任意数据类型一.元组的创建 例:t = (1,2.3,'star',[1,2,3]) ## 元组里面包含可变类型,故 ...
- python3之环境搭建以及基础语法
早些时候,有一段时间吧,为了想免费下载网易云的收费音乐,也是翻了下python的教程的,语法方面没细致地去看,跟java.php.javascript这些都大同小异,也是面向对象的.那么,近期准备快速 ...
- 使用微软T4 template进行代码生成
使得软件工程高效开发的主要方法是复用.复用的宗旨是提高设计的内聚性,主要包括:函数,类,模式,组件,框架等等.而有些应用场景并都是可以直接拿来现成代码使用的,有时代码库的代码不是那么容易修改,或者根本 ...
- js `` 手机不支持
- [Linux] 复制文件夹下指定创建时间的文件
暂时不知道什么命令可以达到这个目标,目前的方法是分步进行: 首先,找出指定创建时间内的文件名 例如在imgs文件夹中,找出创建时间在一天内的文件 > feb_files.txt 然后将这些文件复 ...
- [转] 用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
转自知乎上看到的一篇很棒的文章:用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践 近来在同时做一个应用深度学习解决淘宝商品的类目预测问题的项目,恰好硕士毕业时论文 ...
- iOS-AFNetworking3.0上传大量(1000张)图片到服务器
背景: 最近项目要做上传图片功能,图片必须是高清的,所以不让压缩,上传图片是大量的,比如几百张,这个如果是用afn,将图片直接for循环加入到formData里会出现一个问题,临时变量太多,导致内存紧 ...
- MFMailComposeViewController发送邮件
1.iPhone API已经提供了系统写邮件界面的接口,使用MFMailComposeViewController,用来显示界面. 2.项目中需要添加MessageUi.framework.头文件加入 ...
- xgboost系列之应用xgboost的注意事项
问题:win和mac平台运行相同的xgboost代码,效果不同? 解决:xgboost的参数colsample_bytree设置为1.