SVM在处理多分类时遇到的问题

最近在做一个关于卷积神经网络的SVM人脸分类的项目，昨天在调试项目的时候，遇到一个很另类的问题，解决了一天的时间，各种方法都试过，对卷积后的特征进行降维，重新去形成特征的结构等等，最后寻找到的原因是SVM训练标签出了问题。

在执行的实例程序：

import numpy as np
import cv2,random
from sklearn import svm
sample=random.sample(range(10),5)
arr=[[1,1],[2,2],[3,3],[4,4]]
labels=[[1,0],[2,0],[3,0],[4,0]]
clf=svm.SVC(decision_function_shape='ovo')
clf.fit(arr,labels)
res=clf.predict([2,2])
print(t)

出现的问题：

这里出现的是 ValueError: bad input shape (4, 2)的问题，主要的原因是设置的输出标签labels的维度错误。

我们知道SVM分类器可以解决多分类问题了，而且在sklearn包中已经有了相应的设置，直接可以训练，设置方法是把SVC的参数decision_function_shape设置为'ovo'，表示一对多的模式，一般默认是一对一的模式。

但是SVM处理多分类时输出的标签不能是向量，只能是一个数，不同的数表示不同的类别，也就是在这里需要修改labels的值

labels=[1,2,3,4]

现在我们再运行程序，将正常运行！

附：

这里注意在SVM预测输出的时候，样本必须为一个二维数组，如果不是将出现以下错误：

这里需要将输入改为：

res=clf.predict([[2,2]])
或者：
tmp=[2,2
res=clf.predict(tmp)

如果我发现以上总结哪里问题，欢迎联系QQ：383714800