Feature-Auswahl mit scikit-learn

Ich bin neue in machine learning. Bereite ich meine Daten für die Einstufung verwenden Scikit Lernen SVM. Um die Auswahl der besten Funktionen, die ich haben verwendet die folgende Methode:

SelectKBest(chi2, k=10).fit_transform(A1, A2)

Da mein Datensatz besteht aus den negativen Werten, bekomme ich die folgende Fehlermeldung:

ValueError                                Traceback (most recent call last)

/media/5804B87404B856AA/TFM_UC3M/test2_v.py in <module>()
----> 1 
      2 
      3 
      4 
      5 

/usr/local/lib/python2.6/dist-packages/sklearn/base.pyc in fit_transform(self, X, y,     **fit_params)
    427         else:
    428             # fit method of arity 2 (supervised transformation)

--> 429             return self.fit(X, y, **fit_params).transform(X)
    430 
    431 

/usr/local/lib/python2.6/dist-packages/sklearn/feature_selection/univariate_selection.pyc in fit(self, X, y)
    300         self._check_params(X, y)
    301 
--> 302         self.scores_, self.pvalues_ = self.score_func(X, y)
    303         self.scores_ = np.asarray(self.scores_)
    304         self.pvalues_ = np.asarray(self.pvalues_)

/usr/local/lib/python2.6/dist-  packages/sklearn/feature_selection/univariate_selection.pyc in chi2(X, y)
    190     X = atleast2d_or_csr(X)
    191     if np.any((X.data if issparse(X) else X) < 0):
--> 192         raise ValueError("Input X must be non-negative.")
    193 
    194     Y = LabelBinarizer().fit_transform(y)

ValueError: Input X must be non-negative.

Kann mir jemand sagen wie ich Verwandle meine Daten ?

Sie könne die Normalisierung der Werte zwischen 0 und 1 oder nehmen absolute Werte vielleicht
Wenn Ihre Daten nicht nicht-negativ, vielleicht chi2 ist nicht eine gute Methode. Sie können f_score. Was ist die Natur mit Ihren Daten?
Danke EdChum und Andreas. Meine Daten bestehen aus min, max, Mittelwert, median und FFT der accelerometer-signal

InformationsquelleAutor sara | 2014-09-11

  1. 10

    Die Fehlermeldung Input X must be non-negative sagt alles: Der Pearson-chi-Quadrat-test (goodness-of-fit) gilt nicht für negative Werte. Es ist logisch, denn der chi-Quadrat-test nimmt Frequenzen Verteilung und Häufigkeit kann keine negative Zahl sein. Folglich sklearn.feature_selection.chi2 behauptet der Eingang ist nicht-negativ.

    Sagen Sie, dass Sie Ihre Funktionen "min, max, Mittelwert, median und FFT der accelerometer-signal". In vielen Fällen kann es ziemlich sicher zu einfach shift jedes feature, um es positiver, oder sogar normalisieren zu [0, 1] Intervall vorgeschlagen von EdChum.

    Wenn data transformation ist aus irgendeinem Grund nicht möglich sein (z.B. ein negativer Wert ist ein wichtiger Faktor), sollten Sie wählen eine andere Statistik zu-score features:

    Da der ganze Punkt dieses Verfahrens ist die Vorbereitung der features für eine andere Methode, es ist keine große Sache zu Holen jedermann, das Endergebnis in der Regel die gleichen oder sehr nahe.

    InformationsquelleAutor Maxim

Schreibe einen Kommentar