在sklearn中为Complement Naive Bayes设置类权重遇值错误求助

你遇到的ValueError核心原因是：ComplementNB.fit()的sample_weight参数需要的是与训练样本数量一致的权重数组，而你传入的c_w是compute_class_weight返回的仅包含两个类别权重的数组（长度为2），和训练样本数（29752）不匹配，所以报错了。

下面给你两种正确使用类权重的方法：

方法1：将类权重转换为样本权重数组 #

先把计算好的类权重映射到每个训练样本上，生成和y_train长度一致的权重数组，再传入fit的sample_weight参数：

# 计算类权重
unique_classes = np.unique(y_train)
c_w = class_weight.compute_class_weight('balanced', unique_classes, y_train)
# 创建类别到权重的映射字典
class_weight_dict = dict(zip(unique_classes, c_w))
# 为每个训练样本生成对应的权重
sample_weights = y_train.map(class_weight_dict).values

# 初始化模型并训练
clf = ComplementNB()
clf.fit(x_train, y_train, sample_weight=sample_weights)

方法2：直接在模型初始化时设置class_weight参数 #

更简单的方式是，ComplementNB本身支持在初始化时直接传入class_weight参数，不用手动计算和转换。设置为'balanced'后，模型会自动根据样本数量计算均衡的类权重：

# 初始化模型时直接指定类权重
clf = ComplementNB(class_weight='balanced')
# 正常训练即可，无需额外传sample_weight
clf.fit(x_train, y_train)

这两种方法都能解决你的类别不平衡问题，方法2更简洁推荐使用。修改后你就可以正常训练模型并生成混淆矩阵了。

内容的提问来源于stack exchange，提问作者Cauê Evangelista