207个类(多个有一个对象)，电影

Question

Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, test_size=1/3, random_state=85)
models = [
RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42),
LinearSVC(),
MultinomialNB(),
LogisticRegression(random_state=0),
]
# 5 Cross-validation
CV = 5
cv_df = pd.DataFrame(index=range(CV * len(models)))
entries = []
for model in models:
model_name = model.__class__.__name__
accuracies = cross_val_score(model, features, labels, scoring='accuracy', cv=CV)
for fold_idx, accuracy in enumerate(accuracies):
entries.append((model_name, fold_idx, accuracy))

cv_df = pd.DataFrame(entries, columns=['model_name', 'fold_idx', 'accuracy'])

错误：

用户警告：y中填充最少的类只有1个成员，小于n_splits=5。

Answer 1

使用交叉验证时，它会拆分整个训练集，以便训练和测试(在cv中(具有相同的分布。如果有10个标为"0"的物体；A"；，大约占整个例子的20%，它将把它分成每组，每组有2个带有标签"的对象；A"；因此，它也将从测试中获得20%。

但是当一个标签"；A"；只有一个对象(该类的一行(，并且您试图将其拆分为5组？这是一个错误。它不知道该如何处理。

如果不知道你的数据是什么样子以及你的需求是什么，就很难知道如何解决它。不同的问题可能有不同的解决方案。

您可以：

1. 从数据集中删除有问题的标签。检查具有极低频率的所有类别，并将它们全部分组为"0"；其他"；或者类似的东西
2. 放弃cv，使用KFolds，这不要求cv中的组具有相同的分布