调用MLkNN拟合多标签数据时报__init__()参数错误如何解决

报错原因 #

这个错误是scikit-learn版本和scikit-multilearn版本不兼容导致的：

• 新版scikit-learn的NearestNeighbors类初始化时，k值必须通过关键字参数n_neighbors传递，不支持位置参数传值
• scikit-multilearn长期未更新，MLkNN内置调用NearestNeighbors时仍用旧的位置参数写法，触发参数传递错误。

修复方案 #

方案1：降级scikit-learn版本（操作最简单） #

直接安装和scikit-multilearn兼容的scikit-learn版本即可，执行命令：
pip install scikit-learn==1.1.3
降级完成后重新运行原代码即可正常拟合。

方案2：修改MLkNN源码 #

如果不想降级scikit-learn，可以手动修改对应源码文件：

1. 打开报错路径下的MLkNN源码文件：~\Anaconda3\lib\site-packages\skmultilearn\adapt\mlknn.py
2. 定位到第165行，将原代码：

self.knn_ = NearestNeighbors(self.k).fit(X)

修改为：

self.knn_ = NearestNeighbors(n_neighbors=self.k).fit(X)

保存文件后重新运行原代码即可。

方案3：继承重写方法（无需修改第三方库源码） #

如果不想改动安装的第三方库源码，可以自己继承MLkNN类重写对应的方法，代码示例：

from skmultilearn.adapt import MLkNN
from sklearn.neighbors import NearestNeighbors
import scipy.sparse as sparse
import numpy as np

class FixedMLkNN(MLkNN):
    def _compute_cond(self, X, y):
        # 仅修正NearestNeighbors的传参方式，其余逻辑保持原版本不变
        self.knn_ = NearestNeighbors(n_neighbors=self.k).fit(X)
        c = sparse.lil_matrix((self._num_labels, self.k + 1), dtype='i8')
        cn = sparse.lil_matrix((self._num_labels, self.k + 1), dtype='i8')

        label_info = self._get_label_information(y)
        nix = self.knn_.kneighbors(X, self.k + 1, return_distance=False)[:, 1:]
        neighbors_labels = label_info[nix.ravel()].reshape(nix.shape[0], self.k, self._num_labels)
        label_counts = np.sum(neighbors_labels, axis=1).astype(int)
        for label in range(self._num_labels):
            current = label_counts[y[:, label].A.ravel() == 1, label]
            for c_l in set(current):
                c[label, c_l] += 1
            current_cn = label_counts[y[:, label].A.ravel() == 0, label]
            for c_l_cn in set(current_cn):
                cn[label, c_l_cn] += 1
        cond_prob_true = (self.smooth + c) / (2 * self.smooth + c.sum(axis=1).A.ravel().reshape(-1,1))
        cond_prob_false = (self.smooth + cn) / (2 * self.smooth + cn.sum(axis=1).A.ravel().reshape(-1,1))
        return cond_prob_true, cond_prob_false

# 用修复后的类初始化模型即可正常使用
classifier = FixedMLkNN(k=3)
classifier.fit(X=x_train_w2v.to_numpy(), y=y_train.to_numpy())

内容的提问来源于stack exchange，提问作者Naveen Reddy Marthala