在机器学习和统计中，分类是基于包含其类别成员（标签）已知的观察的训练数据集来识别新观察所属的一组类别中的哪一个的问题。
我正在尝试使用 scikit-learn 的监督学习方法之一将文本片段分类为一个或多个类别。我尝试过的所有算法的预测函数都只返回一个匹配项...
不支持多标签指示器是我在尝试运行时收到的错误消息： 你能给我任何解决方案或提示吗？ 将seaborn导入为sns sns.heatmap(confusion_matrix(y_test, y_pred), annot =
不同分类器的 TPR 和 FPR 曲线 - kNN、NaiveBayes、R 中的决策树
我正在尝试理解并绘制不同类型分类器的 TPR/FPR。我在 R 中使用 kNN、NaiveBayes 和决策树。使用 kNN，我执行以下操作： clnum <- as.vector(diabetes.
我正在尝试开发一个正则表达式模式以在 for 循环中使用。我有两个列表 - 一个是文档中的一组清理后的关键字，另一个是我想使用清理后的文本来执行的一组标签...
机器学习：使用卷积神经网络将图像分类为 3 类（狗或猫或两者都不是）
如果我能在思考这个问题时得到一些帮助，我将不胜感激。我有一个分类器，可以准确地将图像成功分类为狗或猫。我有一个很好的数据集可以训练...
precision_recall_fscore_support 支持返回 None
我正在尝试从分类报告中提取所有相关的“加权平均”度量。 我得到了正确的召回率、精确率和 fscore。支持，但是返回 None，而我希望它......
InvalidArgumentError：不兼容的形状：[40,5] 与 [40,4]
我正在构建一个带有边界框的对象检测模型，成功构建后，我想将其与 vgg16 分类器合并。 我已经用谷歌搜索了这个错误。但我还是无法调试...
运行时错误：应为所有 1000 个类定义权重张量或不定义任何类，但获得形状的权重张量：[5]
我正在尝试使用VGG16来处理** 5类数据集**。 我已经添加了 5 个新层来将 logit 的输出调整为 5。 model = models.vgg16(pretrained=True) #下载 vgg16 模型，即
应为所有 1000 个类定义权重张量，或不定义任何类，但获得形状的权重张量：[5]
我正在尝试使用VGG16来处理** 5类数据集**。 我已经添加了 5 个新层来将 logit 的输出调整为 5。 model = models.vgg16(pretrained=True) #下载 vgg16 模型，即
我想在图像序列上构建模型（RNN）来预测二元变量。我看到了很多多输入分类的教程，但我没有找到如何导入数据的地方？ 我有一个
我有一个数据集，其中包含从虚构公司购买商品的客户的个人特征。最初，我没有任何目标变量，只有它们的特征。我的目标是找到拍拍...
我的目标是计算客户离开公司的流失风险。我想到了这种方法： 生成代表 cos 中最突出特征的配置文件...
我正在开发一个项目，旨在使用一个包含已离开公司人员历史的数据库，并根据那些已经离开公司的人员的个人资料来计算在职员工离职的风险...
我正在使用 sklearn 中的高斯过程分类器来拟合一些用于分类任务的数据。我知道对于高斯过程回归器，可以将 return_std 传递给 y_test, std = gp.predict(x_te...
在SO中我发现了以下生成算法和判别算法的解释： “生成算法对数据的生成方式进行建模，以便对信号进行分类。它要求
我正在从一组文档中学习主题模型，并且效果很好。但我想知道是否有任何现有系统实际上会根据模型中的主题和单词生成新文档。 我...
这是我的代码，我遇到错误，我不知道如何解决它： 令牌 ID = [] 注意掩码= [] def 预处理（input_text，分词器）： ''' 返回 这是我的代码，我遇到错误，我不知道如何解决它： token_id = [] attention_masks = [] def preprocessing(input_text, tokenizer): ''' Returns <class transformers.tokenization_utils_base.BatchEncoding> with the following fields: - input_ids: list of token ids - token_type_ids: list of token type ids - attention_mask: list of indices (0,1) specifying which tokens should considered by the model (return_attention_mask = True). ''' return tokenizer.encode_plus( input_text, add_special_tokens = True, max_length = 32, pad_to_max_length = True, return_attention_mask = True, return_tensors = 'pt' ) for sample in text: encoding_dict = preprocessing(sample, tokenizer) token_id.append(encoding_dict['input_ids']) attention_masks.append(encoding_dict['attention_mask']) token_id = torch.cat(token_id, dim = 0) attention_masks = torch.cat(attention_masks, dim = 0) labels = torch.tensor(labels) 运行代码后出现这个错误，不知道如何解决。 我在下面遇到了同样的错误： 运行时错误：torch.cat()：需要一个非空的张量列表 当我使用空元组或列表调用 cat() 时，如下所示： import torch torch.cat(tensors=()) # Error torch.cat(tensors=[]) # Error 因此，我将一个或多个张量设置为cat()的元组或列表，然后我可以调用cat()，如下所示： import torch my_tensor = torch.tensor([0, 1, 2]) torch.cat(tensors=(my_tensor,)) torch.cat(tensors=[my_tensor]) # tensor([0, 1, 2]) torch.cat(tensors=(my_tensor, my_tensor)) torch.cat(tensors=[my_tensor, my_tensor]) # tensor([0, 1, 2, 0, 1, 2]) torch.cat(tensors=(my_tensor, my_tensor, my_tensor)) torch.cat(tensors=[my_tensor, my_tensor, my_tensor]) # tensor([0, 1, 2, 0, 1, 2, 0, 1, 2])
这是我的代码，我遇到错误，我不知道如何解决它： 令牌 ID = [] 注意掩码= [] def 预处理（input_text，分词器）： ''' 返回 这是我的代码，我遇到错误，我不知道如何解决它： token_id = [] attention_masks = [] def preprocessing(input_text, tokenizer): ''' Returns <class transformers.tokenization_utils_base.BatchEncoding> with the following fields: - input_ids: list of token ids - token_type_ids: list of token type ids - attention_mask: list of indices (0,1) specifying which tokens should considered by the model (return_attention_mask = True). ''' return tokenizer.encode_plus( input_text, add_special_tokens = True, max_length = 32, pad_to_max_length = True, return_attention_mask = True, return_tensors = 'pt' ) for sample in text: encoding_dict = preprocessing(sample, tokenizer) token_id.append(encoding_dict['input_ids']) attention_masks.append(encoding_dict['attention_mask']) token_id = torch.cat(token_id, dim = 0) attention_masks = torch.cat(attention_masks, dim = 0) labels = torch.tensor(labels) 运行代码后出现这个错误，我不知道如何解决。 我在下面遇到了同样的错误： 运行时错误：torch.cat()：需要一个非空的张量列表 当我使用空元组或列表调用 cat() 时，如下所示： import torch torch.cat(tensors=()) # Error torch.cat(tensors=[]) # Error 因此，我将一个或多个张量设置为cat()的元组或列表，然后我可以调用cat()，如下所示： import torch my_tensor = torch.tensor([0, 1, 2]) torch.cat(tensors=(my_tensor,)) torch.cat(tensors=[my_tensor]) # tensor([0, 1, 2]) torch.cat(tensors=(my_tensor, my_tensor)) torch.cat(tensors=[my_tensor, my_tensor]) # tensor([0, 1, 2, 0, 1, 2]) torch.cat(tensors=(my_tensor, my_tensor, my_tensor)) torch.cat(tensors=[my_tensor, my_tensor, my_tensor]) # tensor([0, 1, 2, 0, 1, 2, 0, 1, 2])
例如：如果我想训练一个分类器（也许是SVM），我需要收集多少样本？有没有测量方法？
我正在努力分割分类器类别并以两行显示。我正在使用 python 和 tkinter 来构建这个 GUI
这是我的代码。 将 tkinter 导入为 tk 从 tkinter 导入 ttk, filedialog ClassifierSelectionApp 类： def __init__(自我，根)： self.root = 根 样式 = ttk.Style() 风格。