当预测值是匹配的索引对时，如何实现 SVM 模型？

Question

我正在尝试拟合 SVM 模型，其中我的预测真实值是匹配的多指标。问题是我不知道如何指定多索引是真实值。

我不能使用记录联动分类步骤，因为它不太灵活。

from sklearn.svm import SVC

golden_pairs = filter_tests_new_df[:training_value]
golden_matches_index = golden_pairs[golden_pairs['ev_2'] == 1].index 
# This is a multiindex type

svm = SVC(gamma='auto')
svm.fit(golden_pairs, golden_matches_index) 
# I dont know how to specify that the golden_matches_index are the good matches

# Predict the match status for all record pairs
result_svm = svm.predict(test_pairs[columns_to_keep])

Answer 1

您不必指定 index，而是使用生成的布尔值 Series 作为分类标签。

这是一个例子。

# Sample data
data = pd.DataFrame({'a': [1, 2, 3], 
                     'b': [1, 1, 0]})

data
   a  b
0  1  1
1  2  1
2  3  0

# Generating labels
data['b'] == 1
0     True
1     True
2    False
Name: b, dtype: bool

# Can convert them to integer if required
(data['b'] == 1).astype(int)
0    1
1    1
2    0
Name: b, dtype: int64

根据您的代码，我认为这应该可以解决问题

# Boolean
golden_pairs['ev_2'] == 1

# Integer
(golden_pairs['ev_2'] == 1).astype(int)

当预测值是匹配的索引对时，如何实现 SVM 模型？

How to implement a SVM model when the predicted values are pairs of indexes that match?

python

pandas

scikit-learn

multi-index

record-linkage