ValueError: Массив содержит NaN или бесконечность в _assert_all_finite во время LinearSVC

Я пытался классифицировать набор данных Wine здесь - http://archive.ics.uci.edu/ml/datasets/Wine+Quality с использованием логистической регрессии (с методом ='bfgs' и l1 норма) и поймал матрицу единственного значения ошибка (поднять LinAlgError("Сингулярная матрица"), несмотря на полный ранг [который я тестировал с помощью np.linalg.matrix_rank(data[train_cols].values) ] .

Вот как я пришел к выводу, что некоторые функции могут быть линейными комбинациями других. В связи с этим я экспериментировал с использованием Grid search/LinearSVC - и я получаю ошибку ниже, вместе с моим кодом и набором данных.

Я вижу, что только 6/7 объектов на самом деле являются "независимыми" - что я интерпретирую при сравнении строк x_train_new[0] и x_train (поэтому я могу определить, какие столбцы являются избыточными)

    # Train & test DATA CREATION
    from sklearn.svm import LinearSVC
    import numpy, random
    import pandas as pd
    df = pd.read_csv("https://github.com/ekta1007/Predicting_wine_quality/blob/master/wine_red_dataset.csv")
#,skiprows=0, sep=',')


    df=df.dropna(axis=1,how='any') # also tried how='all' - still get NaN errors as below
    header=list(df.columns.values) # or df.columns
    X = df[df.columns - [header[-1]]] # header[-1] = ['quality'] - this is to make the code genric enough
    Y = df[header[-1]] # df['quality']
    rows = random.sample(df.index, int(len(df)*0.7)) # indexing the rows that will be picked in the train set
    x_train, y_train = X.ix[rows],Y.ix[rows] # Fetching the data frame using indexes
    x_test,y_test  = X.drop(rows),Y.drop(rows)


# Training the classifier using C-Support Vector Classification.
clf = LinearSVC(C=0.01, penalty="l1", dual=False) #,tol=0.0001,fit_intercept=True, intercept_scaling=1)
clf.fit(x_train, y_train)
x_train_new = clf.fit_transform(x_train, y_train)
#print x_train_new #works
clf.predict(x_test) # does NOT work and gives NaN errors for some x_tests


clf.score(x_test, y_test) # Does NOT work
clf.coef_ # Works, but I am not sure, if this is OK, given huge NaN's - or does the coef's get impacted ?

clf.predict(x_train)
552   NaN
209   NaN
427   NaN
288   NaN
175   NaN
427   NaN
748     7
552   NaN
429   NaN
[... and MORE]
Name: quality, Length: 1119

clf.predict(x_test)
76    NaN
287   NaN
420     7
812   NaN
443     7
420     7
430   NaN
373     5
624     5
[..and More]
Name: quality, Length: 480

Странно то, что когда я запускаю clf.predict(x_train), я все еще вижу некоторые NaN: "Что я делаю не так? В конце концов, модель была обучена с использованием этого, и это НЕ должно происходить, верно?

В соответствии с этой веткой я также проверил, что в моем csv-файле нет нулевых значений (хотя я переименовал "качество" только в 5 и 7 меток (из диапазона (3,10)). Как исправить проблему "NaN или бесконечность" для разреженных матрица в питоне?

Также - вот тип данных x_test & y_test/train...

x_test
<class 'pandas.core.frame.DataFrame'>
Int64Index: 480 entries, 1 to 1596
Data columns:
alcohol                 480  non-null values
chlorides               480  non-null values
citric acid             480  non-null values
density                 480  non-null values
fixed acidity           480  non-null values
free sulfur dioxide     480  non-null values
pH                      480  non-null values
residual sugar          480  non-null values
sulphates               480  non-null values
total sulfur dioxide    480  non-null values
volatile acidity        480  non-null values
dtypes: float64(11)

y_test
1     5
10    5
18    5
21    5
30    5
31    7
36    7
40    5
50    5
52    7
53    5
55    5
57    5
60    5
61    5
[..And MORE]
Name: quality, Length: 480

и наконец..

clf.score(x_test, y_test)

Traceback (most recent call last):
  File "<pyshell#31>", line 1, in <module>
    clf.score(x_test, y_test)
  File "C:\Python27\lib\site-packages\sklearn\base.py", line 279, in score
    return accuracy_score(y, self.predict(X))
  File "C:\Python27\lib\site-packages\sklearn\metrics\metrics.py", line 742, in accuracy_score
    y_true, y_pred = check_arrays(y_true, y_pred)
  File "C:\Python27\Lib\site-packages\sklearn\utils\validation.py", line 215, in check_arrays
  File "C:\Python27\Lib\site-packages\sklearn\utils\validation.py", line 18, in _assert_all_finite
ValueError: Array contains NaN or infinity.


#I also explicitly checked for NaN's as here -:
for i in df.columns:
    df[i].isnull()

Совет: Пожалуйста, также укажите, правильно ли мыслительный процесс при использовании LinearSVC, учитывая мой вариант использования, или мне следует использовать Grid-поиск?

Отказ от ответственности: части этого кода были построены на предложениях в аналогичных контекстах из Stackru и разных источников - мой реальный пример использования - просто попытка доступа, если этот метод хорошо подходит для моего сценария. Это все.

Источник

1 ответ

Решение

Это сработало. Единственное, что мне действительно нужно было изменить - это использовать x_test *.values* вместе с остальными пандами данных (x_train, y_train, y_test) . Как указывалось, единственной причиной была несовместимость между pandas df и scikit-learn(которая использует массивы numpy)

 #changing your Pandas Dataframe elegantly to work with scikit-learn by transformation to  numpy arrays
>>> type(x_test)
<class 'pandas.core.frame.DataFrame'>
>>> type(x_test.values)
<type 'numpy.ndarray'>

Этот хак взята из этого поста http://python.dzone.com/articles/python-making-scikit-learn-and и @AndreasMueller - который указал на несоответствие.

Источник
Другие вопросы по тегам