即使只有一个class，有没有办法建立逻辑回归模型？
Is there a way to build a logistic regression model even if there is only one class?
有没有办法为 1 class 建立一个 scikit-learn 逻辑回归模型？显然，无论输入数据如何，该模型每次都会预测相同的 class。我的模型目前使用 liblinear 作为解算器，我不确定是否有其他解算器可以这样做？
我意识到这对 ML 来说是一个非常奇怪的问题，但我正在构建许多分层模型，在我的情况下，即使它每次都预测相同的 class，也更容易为每种情况建立一个模型。
背景：我有一个分层预测任务，我试图预测一个 9 位代码的三个部分（例如代码 = 001010424，第 1 部分 = 001，第 2 部分 = 01，第 3 部分 = 0424） .为此，我正在构建分层模型。我们首先使用输入数据预测第 1 部分，然后使用第 1 部分的最高置信度决策，我们在特定于第 1 部分代码的第 2 部分的模型中再次使用输入数据。因此，例如，如果我 运行 第 1 部分模型并得到第 1 部分 = 001 的预测，然后我转到第 2 部分模型 001 然后（训练并）预测第 2 部分给定第 1 部分 = 001 . 第 3 部分重复了这种分层行为。
Scitkit learn 需要至少两个 类.
的样本
import numpy as np
from sklearn.linear_model import LogisticRegression
x = np.random.rand(5,2)
y = np.ones(5).astype(int)
model = LogisticRegression().fit(x, y)
这会产生错误：
ValueError: This solver needs samples of at least 2 classes in the data, but the data contains only one class: 1
你最好让你的训练算法检查是否只有一个 y 标签，如果有，就让你的代码记住它。这样的实现似乎很容易实现，并且对于以后查看代码的任何人来说都更容易理解。
有没有办法为 1 class 建立一个 scikit-learn 逻辑回归模型？显然，无论输入数据如何，该模型每次都会预测相同的 class。我的模型目前使用 liblinear 作为解算器，我不确定是否有其他解算器可以这样做？
我意识到这对 ML 来说是一个非常奇怪的问题，但我正在构建许多分层模型，在我的情况下，即使它每次都预测相同的 class，也更容易为每种情况建立一个模型。
背景：我有一个分层预测任务，我试图预测一个 9 位代码的三个部分（例如代码 = 001010424，第 1 部分 = 001，第 2 部分 = 01，第 3 部分 = 0424） .为此，我正在构建分层模型。我们首先使用输入数据预测第 1 部分，然后使用第 1 部分的最高置信度决策，我们在特定于第 1 部分代码的第 2 部分的模型中再次使用输入数据。因此，例如，如果我 运行 第 1 部分模型并得到第 1 部分 = 001 的预测，然后我转到第 2 部分模型 001 然后（训练并）预测第 2 部分给定第 1 部分 = 001 . 第 3 部分重复了这种分层行为。
Scitkit learn 需要至少两个 类.
的样本 import numpy as np
from sklearn.linear_model import LogisticRegression
x = np.random.rand(5,2)
y = np.ones(5).astype(int)
model = LogisticRegression().fit(x, y)
这会产生错误：
ValueError: This solver needs samples of at least 2 classes in the data, but the data contains only one class: 1
你最好让你的训练算法检查是否只有一个 y 标签，如果有，就让你的代码记住它。这样的实现似乎很容易实现，并且对于以后查看代码的任何人来说都更容易理解。