LDA - Erkennungsmuster in Python (Sklearn)

Question

Ich versuche, diesen Code auf Python auszuführen. Dieser Code bezieht sich auf eine LDA von Sklearn.

import numpy as np
from sklearn.lda import LDA

X = np.array ([0.000000, 0.000000, 0.000000, 0.000000, 0.001550, 
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000, 
               0.000000, 0.000000, 0.201550, 0.011111, 0.077778,
               0.011111, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.092732, 0.000000, 0.000000, 0.000000,
               0.000000, 0.035659, 0.000000, 0.000000, 0.000000,
               0.000000, 0.066667, 0.000000, 0.000000, 0.010853,
               0.000000, 0.033333, 0.055556, 0.055556, 0.077778, 
               0.000000, 0.000000, 0.000000, 0.268170, 0.000000, 
               0.000000, 0.000000, 0.000000, 0.130233, 0.000000, 
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.034109, 0.077778, 0.055556, 0.011111, 
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.155388, 0.000000, 0.000000, 0.000000, 0.000000,
               0.181395, 0.000000, 0.000000, 0.000000, 0.000000,
               0.001550, 0.007752, 0.000000, 0.000000, 0.000000, 
               0.000000, 0.000000, 0.011111, 0.088889, 0.033333,
               0.000000, 0.000000, 0.142857, 0.000000, 0.000000,
               0.000000, 0.000000, 0.093023, 0.000000, 0.000000,
               0.000000, 0.000000, 0.000000, 0.009302, 0.010853, 
               0.000000, 0.100000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.022222, 0.088889, 0.033333, 0.238095,
               0.000000, 0.000000, 0.000000, 0.000000, 0.032558,
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.182946, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.000000, 0.022222, 0.077778, 0.055556,
               0.000000, 0.102757])

y = np.array ([0.000000, 0.000000, 0.008821, 0.000000, 0.000000, 
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.000000, 0.179631, 0.010471, 0.036649,
               0.026178, 0.000000, 0.000000, 0.020942, 0.010471,
               0.000000, 0.109215, 0.000000, 0.000000, 0.060144, 
               0.000000, 0.042502, 0.000000, 0.005613, 0.000000,
               0.000000, 0.018444, 0.000000, 0.000000, 0.013633,
               0.020942, 0.031414, 0.083770, 0.015707, 0.041885,
               0.041885, 0.057592, 0.010471, 0.233788, 0.000000,
               0.000000, 0.018444, 0.000000, 0.000000, 0.000000,
               0.000000, 0.000000, 0.090617, 0.000000, 0.000000,
               0.000000, 0.104250, 0.005236, 0.020942, 0.031414,
               0.000000, 0.000000, 0.010471, 0.015707, 0.005236,
               0.056314, 0.000000, 0.000000, 0.026464, 0.000000,
               0.004010, 0.000000, 0.031275, 0.007217, 0.036889,
               0.007217, 0.013633, 0.000000, 0.000000, 0.005236,
               0.047120, 0.057592, 0.015707, 0.010471, 0.047120,
               0.062827, 0.005236, 0.262799, 0.000000, 0.000000,
               0.000000, 0.000000, 0.000802, 0.000000, 0.000000,
               0.000000, 0.001604, 0.000000, 0.052927, 0.000000,
               0.039294, 0.026178, 0.041885, 0.031414, 0.000000,
               0.000000, 0.041885, 0.073298, 0.000000, 0.308874,
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
               0.236568, 0.000000, 0.000000, 0.000000, 0.000000,
               0.000000, 0.000000, 0.000000, 0.020942, 0.015707,
               0.000000, 0.029010])

clf = lda () clf.fit (x, y) print (clf.predict ([0, 2]))

Und zeigen Sie mir diese Fehlermeldung:

clf.fit(X, y)
n_samples, n_features = X.shape
ValueError: need more than 1 value to unpack

Was tue ich, um es zu beheben? Ich konnte diese Lösung in der Dokumentation nicht finden.

Answer 1

Ihr Array ist ein Dimensional. wenn Sie das tun:

n_samples, n_features = X.shape

X. -Shape ist keine Matrix von Proben und Freaturen, sondern eine Reihe von Form (106,). Sie brauchen mehr als eine Probe. Sie haben eine Reihe von Funktionen und ein Beispiel. Eine Matrix von 4 Proben mit 4 Funktionen wird definiert als:

featureMat = np.array([[ 10, 30, 40, 50],
                       [ 5,  6,  7,  8],
                       [ 54, 75, 6,  56],
                       [ 65, 34, 23, 22]])

Also featuremat.shape wäre (4,4).