sklearn SVM / SVC 总是为任何给定的输入预测相同的 class
sklean SVM / SVC always predicting the same class for any given input
我正在尝试使用语音数据训练 SVM,这里使用 RAVDESS 数据集,您可以在此处找到:https://www.kaggle.com/uwrfkaggler/ravdess-emotional-speech-audio
这个数据集有 24 个目录,但我只使用了前 20 个目录。
首先,我将这20个目录下所有文件的目录路径导航保存到一个数组中。
然后我遍历数组,将 classes 保存到另一个数组中并提取音频文件的特征。我正在将特征保存在数据框中。
我可以看到 classes 在某种程度上是平衡的:
>>from collections import Counter
>>print(Counter(klass).keys()) # equals to list(set(words))
>>print(Counter(klass).values()) # counts the elements' frequency
dict_keys(['neutral', 'calm', 'happy', 'sad', 'angry', 'fearful', 'disgust', 'surprised'])
dict_values([76, 152, 152, 152, 152, 152, 152, 152])
接下来,我将对数据帧进行预处理和规范化:
from sklearn.preprocessing import StandardScaler
x2 = x.copy()
x2.drop(["file","start","end"], axis = 1,inplace = True)
scaler = StandardScaler()
print(scaler.fit(x2))
x2 = scaler.transform(x2)
x2 = pd.DataFrame(x2)
现在我开始用这个训练 SVM:
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(x2, klass, test_size = 0.20,random_state = 1)
当然还有之前优化超参数(gamma、C 等)。
然后我正在检查最好的参数和分数,看起来还不错。
Accuracy Training: 0.9857456140350878
Accuracy Test: 0.6271929824561403
到目前为止,还不错。我提取了特征并使用 Emotion classification 训练了 SVM。现在我想预测模型未知的新音频文件的情绪。这里我从数据集的第 24 个目录中随机选择一个音频文件。
这就是问题所在:
import random
Xnew = pd.DataFrame()
EvalFile = glob.glob('{}\**\*24.wav'.format(PATH_RAVDESS),recursive=True)
Xnew = Xnew.append(smile.process_file(EvalFile[random.randint(0, len(EvalFile)-1)]))
Xnew = Xnew.reset_index()
Xnew.drop(["file","start","end"], axis = 1,inplace=True)
#Standardising is skipped because it makes no sense with one file
Ynew = grid.predict(Xnew)
print("File=%s \nPredicted=%s" % (rdfile, Ynew))
选择哪个文件并不重要。该模型总是预测相同的 class 'angry'
.
我做错了什么?
您在代码中留言:
#Standardising is skipped because it makes no sense with one file
标准化不仅确实有意义(即使是单个文件),而且不是可选的;由于您的模型已经过标准化数据的训练,因此它需要此类标准化数据来进行任何未来预测。不这样做可能会导致您所描述的行为。
因此,在预测您的 Xnew
之前,您应该使用已经拟合的 scaler
:
对其进行变换
Xnew = scaler.transform(Xnew)
Ynew = grid.predict(Xnew)
问题解决了!
Xnew
必须再次标准化为 scaler.transform(Xnew)
。但是scaler.fit
一定不能再用了。那是我的错误。
我正在尝试使用语音数据训练 SVM,这里使用 RAVDESS 数据集,您可以在此处找到:https://www.kaggle.com/uwrfkaggler/ravdess-emotional-speech-audio
这个数据集有 24 个目录,但我只使用了前 20 个目录。
首先,我将这20个目录下所有文件的目录路径导航保存到一个数组中。
然后我遍历数组,将 classes 保存到另一个数组中并提取音频文件的特征。我正在将特征保存在数据框中。
我可以看到 classes 在某种程度上是平衡的:
>>from collections import Counter
>>print(Counter(klass).keys()) # equals to list(set(words))
>>print(Counter(klass).values()) # counts the elements' frequency
dict_keys(['neutral', 'calm', 'happy', 'sad', 'angry', 'fearful', 'disgust', 'surprised'])
dict_values([76, 152, 152, 152, 152, 152, 152, 152])
接下来,我将对数据帧进行预处理和规范化:
from sklearn.preprocessing import StandardScaler
x2 = x.copy()
x2.drop(["file","start","end"], axis = 1,inplace = True)
scaler = StandardScaler()
print(scaler.fit(x2))
x2 = scaler.transform(x2)
x2 = pd.DataFrame(x2)
现在我开始用这个训练 SVM:
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(x2, klass, test_size = 0.20,random_state = 1)
当然还有之前优化超参数(gamma、C 等)。
然后我正在检查最好的参数和分数,看起来还不错。
Accuracy Training: 0.9857456140350878
Accuracy Test: 0.6271929824561403
到目前为止,还不错。我提取了特征并使用 Emotion classification 训练了 SVM。现在我想预测模型未知的新音频文件的情绪。这里我从数据集的第 24 个目录中随机选择一个音频文件。 这就是问题所在:
import random
Xnew = pd.DataFrame()
EvalFile = glob.glob('{}\**\*24.wav'.format(PATH_RAVDESS),recursive=True)
Xnew = Xnew.append(smile.process_file(EvalFile[random.randint(0, len(EvalFile)-1)]))
Xnew = Xnew.reset_index()
Xnew.drop(["file","start","end"], axis = 1,inplace=True)
#Standardising is skipped because it makes no sense with one file
Ynew = grid.predict(Xnew)
print("File=%s \nPredicted=%s" % (rdfile, Ynew))
选择哪个文件并不重要。该模型总是预测相同的 class 'angry'
.
我做错了什么?
您在代码中留言:
#Standardising is skipped because it makes no sense with one file
标准化不仅确实有意义(即使是单个文件),而且不是可选的;由于您的模型已经过标准化数据的训练,因此它需要此类标准化数据来进行任何未来预测。不这样做可能会导致您所描述的行为。
因此,在预测您的 Xnew
之前,您应该使用已经拟合的 scaler
:
Xnew = scaler.transform(Xnew)
Ynew = grid.predict(Xnew)
问题解决了!
Xnew
必须再次标准化为 scaler.transform(Xnew)
。但是scaler.fit
一定不能再用了。那是我的错误。