python中出现非正定“Input X must be non-negative”的问题

来源：互联网发布：mt4编程书籍编辑：程序博客网时间：2024/06/05 13:22

晚上在用贝叶斯分析器处理数据时，冒出“Input X must be non-negative”这样的提示，意思是训练集的特征向量组成的矩阵必须是非负矩阵，这几天也刚好在看数值分析的内容，在python上有数值分析的内容，主要是Numpy和SymPy这两个库。

数据和模块导入代码如下：

import pandas as pdimport numpy as npfrom sklearn.naive_bayes import MultinomialNBdata=pd.read_csv('column.2C.csv')data_x=data[['V1','V2','V3','V4','V5','V6']]y=data[['V7']]

拟合模型代码：

clf=MultinomialNB()clf.fit(data_x,y)

直接报出这样的错误，Input X must be non-negative

检查矩阵的相关性：

data.corr()#得到V1V2V3V4V5V6V11.0000000.6292250.7181420.815120-0.2476440.639611V20.6292251.0000000.4343260.0626550.0351420.399474V30.7181420.4343261.0000000.598453-0.0838290.532955V40.8151200.0626550.5984531.000000-0.3442000.523602V5-0.2476440.035142-0.083829-0.3442001.000000-0.029515V60.6396110.3994740.5329550.523602-0.0295151.000000

看似也没有多大问题

那么我们检查一下矩阵的条件数

c=np.linalg.cond(data_x,p=None)print c

49730.566337

非常的不理想，说明存在共线性，上文我们交代了条件数在1附近是理想的，有文献表明超过15就说明存在共线性。

我们进一步计算行列式

np.linalg.inv(data_x)

得到如下的警告：

Last 2 dimensions of the array must be square

直接用原始数据的组成的矩阵，不是一个方阵，所以会报错

max(a.shape[-2:]) != min(a.shape[-2:])

我们无法求出原始数据的行列式。

所以也无法求逆特征值

最后，给出几个矩阵求解过程中的常用命令

np.linalg.matrix_rank(data_x) #矩阵的秩np.linalg.inv (data_x)# 求逆矩阵np.linalg.eigvals(data_x) # 求特征值np.linalg.eig(data_x)   #特征向量np.linalg.svd(data_x)  #singular value decomposition 奇异值分解

附上数据集来源：

http://archive.ics.uci.edu/ml/datasets/Vertebral+Column

阅读全文

0 0