LDA в Python с использованием sklearn

Я пытаюсь реализовать алгоритм LDA с помощью sklearn, в питонаLDA в Python с использованием sklearn

Код:

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], 
       [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, 
       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 
       ], 
       [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([1, 2]))

Но я получил ошибку сообщение:

clf.fit(X,y) 
fac = 1./(n_samples - n_classes) 
ZeroDivisionError: float division by zero

Что я делаю, чтобы решить эту ошибку?

Я использую эту версию LDA, от SKLEARN http://scikit-learn.org/stable/modules/generated/sklearn.lda.LDA.html

Спасибо, очень много!

источник

2013-11-08 gPxl

вам нужно вставить весь свой код, чтобы понять, почему это происходит, но проблема в том, что (n_samples - n_classes) равно 0

источник

2013-11-08 21:59:47

Привет. это весь код. Думаю, это ошибка в модуле LDA sklearn, что вы думаете? Ошибка линии на модуле lda.py равна fac = 1./(n_samples - n_classes) благодарит вас! – gPxl

LDA в Python с использованием sklearn

ответ

Смежные вопросы