代码之家 › 专栏 › 技术社区 › Oleksandr Baranov

AttributeError:'LinearSVC'对象没有属性“predict\u proba”

nltk scikit-learn python

11

Oleksandr Baranov · 技术社区 · 8 年前

我正在尝试使用 线性SVC分类器

使现代化 :添加了导入

import nltk
from nltk.tokenize import word_tokenize
from nltk.classify.scikitlearn import SklearnClassifier
from sklearn.svm import LinearSVC, SVC

LinearSVC_classifier = SklearnClassifier(LinearSVC())
LinearSVC_classifier.train(featuresets)

但当我试图用概率来分类时

LinearSVC_classifier.prob_classify(feats)

AttributeError发生:

AttributeError:'LinearSVC' object has no attribute 'predict_proba'

我查看了sklearn文档,它告诉我这个函数存在。

如何修复?

5 回复 | 直到 8 年前

1

18

mdilip 8 年前

documentation ,方法' 预测概率 '未定义为' LinearSVC '

解决方法 :

LinearSVC_classifier = SklearnClassifier(SVC(kernel='linear',probability=True))

使用SVC 线性核 可能性 参数设置为真的 . 正如中所述 here .

2

6

Sina 7 年前

您可以使用 _predict_proba_lr() 相反 predict_proba . 类似这样:

from sklearn import svm
clf=svm.LinearSVC()

clf.fit(X_train,Y_train)

res= clf._predict_proba_lr(X_test,Y_test)

res是每个类别相对于样本的概率的2d数组。

3

5

sascha 8 年前

考虑到你的问题,没有提到像NLTK这样的外部包装器(除了标记),所以很难理解你真正需要什么!

维韦克·库马尔的评论适用。LinearSVC不支持概率,而SVC支持概率。

现在有一些补充意见:

支持向量机理论与概率无关,支持它的是使用交叉验证和额外分类器的额外方法
- 看见 Platt scaling
liblinear 对此没有内置支持
方法 mdilip 以上是有效的解决方法,但:
- SVC基于 libsvm 因此速度较慢(可能还没有准备好进行大规模测试)
备选方案:构建自己的管道,包括:
- LinearSVC
- sklearn的 probability-calibration

似乎有人注意到了这一点 problem 之前

4

1

ThusharaJ 6 年前

如果训练模型和预测模型之间的scikit学习模块版本不匹配,则可能发生这种情况。

5

-1

Aleksandrs Krivickis 4 年前

虚拟解决方案,具有用校准分类RCV包裹的LinearSVC。根据我的经验,降低了分类的质量。

>>> from sklearn.calibration import CalibratedClassifierCV
>>> from sklearn.svm import LinearSVC
>>> from sklearn.pipeline import make_pipeline
>>> from sklearn.preprocessing import StandardScaler
>>> from sklearn.datasets import make_classification

>>> X, y = make_classification(n_features=4, random_state=0)
>>> clf = make_pipeline(CalibratedClassifierCV(LinearSVC()))
>>> clf.fit(X, y)
>>> clf.predict_proba(make_classification(n_features=4, random_state=1,n_samples=10,)[0])
array([[0.71360647, 0.28639353],
       [0.26277422, 0.73722578],
       [0.79450968, 0.20549032],
       [0.79352606, 0.20647394],
       [0.2486062 , 0.7513938 ],
       [0.85705016, 0.14294984],
       [0.90102124, 0.09897876],
       [0.58071282, 0.41928718],
       [0.31289046, 0.68710954],
       [0.14466406, 0.85533594]])