Question

这是来自How to know what classes are represented in return array from predict_proba in Scikit-learn

的后续问题

在那个问题中，我引用了以下代码：

>>> import sklearn
>>> sklearn.__version__
'0.13.1'
>>> from sklearn import svm
>>> model = svm.SVC(probability=True)
>>> X = [[1,2,3], [2,3,4]] # feature vectors
>>> Y = ['apple', 'orange'] # classes
>>> model.fit(X, Y)
>>> model.predict_proba([1,2,3])
array([[ 0.39097541,  0.60902459]])

我在那个问题中发现这个结果表示属于每个类的点的概率，按照model.classes给出的顺序_

>>> zip(model.classes_, model.predict_proba([1,2,3])[0])
[('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]

所以...这个答案，如果正确解释，说这个点可能是一个“橙色”（由于数据量很小，信心相当低）。但直觉上，这个结果显然是不正确的，因为给出的点与'apple'的训练数据相同。可以肯定的是，我也测试了反面：

>>> zip(model.classes_, model.predict_proba([2,3,4])[0])
[('apple', 0.60705475211840931), ('orange', 0.39294524788159074)]

再次，显然不正确，但在另一个方向。

最后，我尝试了更远的点。

>>> X = [[1,1,1], [20,20,20]] # feature vectors
>>> model.fit(X, Y)
>>> zip(model.classes_, model.predict_proba([1,1,1])[0])
[('apple', 0.33333332048410247), ('orange', 0.66666667951589786)]

同样，该模型预测错误的概率。但是，model.predict函数是正确的！

>>> model.predict([1,1,1])[0]
'apple'

现在，我记得在docs中读到一些关于predict_proba对小数据集不准确的内容，尽管我似乎无法再找到它。这是预期的行为，还是我做错了什么？如果这是预期的行为，那么为什么predict和predict_proba函数不同意输出？更重要的是，在我可以信任来自predict_proba的结果之前，数据集需要有多大？

--------更新--------

好的，所以我做了一些更多'实验'：predict_proba的行为严重依赖于'n'，但不是以任何可预测的方式！

>>> def train_test(n):
...     X = [[1,2,3], [2,3,4]] * n
...     Y = ['apple', 'orange'] * n
...     model.fit(X, Y)
...     print "n =", n, zip(model.classes_, model.predict_proba([1,2,3])[0])
... 
>>> train_test(1)
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
>>> for n in range(1,10):
...     train_test(n)
... 
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
n = 2 [('apple', 0.98437355278112448), ('orange', 0.015626447218875527)]
n = 3 [('apple', 0.90235408180319321), ('orange', 0.097645918196806694)]
n = 4 [('apple', 0.83333299908143665), ('orange', 0.16666700091856332)]
n = 5 [('apple', 0.85714254878984497), ('orange', 0.14285745121015511)]
n = 6 [('apple', 0.87499969631893626), ('orange', 0.1250003036810636)]
n = 7 [('apple', 0.88888844127886335), ('orange', 0.11111155872113669)]
n = 8 [('apple', 0.89999988018127364), ('orange', 0.10000011981872642)]
n = 9 [('apple', 0.90909082368682159), ('orange', 0.090909176313178491)]

我应该如何安全地在我的代码中使用此功能？至少，是否有任何n的值可以保证与model.predict的结果一致？

Answer 1

predict_probas正在使用libsvm的Platt缩放功能来调用概率，请参阅：

How does sklearn.svm.svc's function predict_proba() work internally?

实际上，超平面预测和问题校准可能不一致，特别是如果您的数据集中只有2个样本。奇怪的是，在这种情况下，libsvm用于扩展概率的内部交叉验证不会（明确地）失败。也许这是一个错误。人们不得不深入研究libsvm的Platt缩放代码，以了解正在发生的事情。

Answer 2

如果您使用svm.LinearSVC()作为估算工具，并使用.decision_function()（类似于svm.SVC的.predict_proba（））将结果从最可能的类排序到最不可能的类。这与.predict()函数一致。此外，此估算值更快，并且svm.SVC()

的结果几乎相同

唯一的缺点可能是.decision_function()给出了一个有符号的值，比如介于-1和3而不是概率值。但它同意预测。

Answer 3

这里值得深思。我认为我实际上可以使Forecast_proba正常工作。请参见下面的代码...

# Test data
TX = [[1,2,3], [4,5,6], [7,8,9], [10,11,12], [13,14,15], [16,17,18], [19,20,21], [22,23,24]]
TY = ['apple', 'orange', 'grape', 'kiwi', 'mango','peach','banana','pear']

VX2 = [[16,17,18], [19,20,21], [22,23,24], [13,14,15], [10,11,12], [7,8,9], [4,5,6], [1,2,3]]
VY2 = ['peach','banana','pear','mango', 'kiwi', 'grape', 'orange','apple']

VX2_df = pd.DataFrame(data=VX2) # convert to dataframe
VX2_df = VX2_df.rename(index=float, columns={0: "N0", 1: "N1", 2: "N2"})
VY2_df = pd.DataFrame(data=VY2) # convert to dataframe
VY2_df = VY2_df.rename(index=float, columns={0: "label"})

# NEW - in testing
def train_model(classifier, feature_vector_train, label, feature_vector_valid, valid_y, valid_x, is_neural_net=False):

    # fit the training dataset on the classifier
    classifier.fit(feature_vector_train, label)

    # predict the top n labels on validation dataset
    n = 5
    #classifier.probability = True
    probas = classifier.predict_proba(feature_vector_valid)
    predictions = classifier.predict(feature_vector_valid)

    #Identify the indexes of the top predictions
    #top_n_predictions = np.argsort(probas)[:,:-n-1:-1]
    top_n_predictions = np.argsort(probas, axis = 1)[:,-n:]

    #then find the associated SOC code for each prediction
    top_socs = classifier.classes_[top_n_predictions]

    #cast to a new dataframe
    top_n_df = pd.DataFrame(data=top_socs)

    #merge it up with the validation labels and descriptions
    results = pd.merge(valid_y, valid_x, left_index=True, right_index=True)
    results = pd.merge(results, top_n_df, left_index=True, right_index=True)

    conditions = [
        (results['label'] == results[0]),
        (results['label'] == results[1]),
        (results['label'] == results[2]),
        (results['label'] == results[3]),
        (results['label'] == results[4])]
    choices = [1, 1, 1, 1, 1]
    results['Successes'] = np.select(conditions, choices, default=0)

    print("Top 5 Accuracy Rate = ", sum(results['Successes'])/results.shape[0])
    print("Top 1 Accuracy Rate = ", metrics.accuracy_score(predictions, valid_y))

train_model(naive_bayes.MultinomialNB(), TX, TY, VX2, VY2_df, VX2_df)

输出：前5个准确率= 1.0 前1个准确率= 1.0

虽然无法将其用于我自己的数据：（

Answer 4

对于predict_proba实际上做了什么，有一些混乱。它不像标题所暗示的那样预测概率，而是输出距离。在苹果vs橙色示例0.39097541,0.60902459中，最短距离0.39097541是苹果类。这是反直觉的。你看的概率最高，但事实并非如此。

混淆的另一个原因是，predict_proba确实匹配硬标签，而不是按照类的顺序，从0..n顺序匹配。 Scikit似乎改变了类，但可以映射它们。

这是它的工作原理。

   say we have 5 classes with labels:
   classifier.classes_ = [0 1 2 3 4]
   target names = ['1', '2', '3', '6', '8']

预测标签[2 0 1 0 4]

    classifier.predict_proba
    [[ 0.20734121  0.20451986  0.17262553  0.20768649  0.20782692]
     [ 0.19099348  0.2018391   0.20222314  0.20136784  0.20357644]
     [ 0.19982284  0.19497121  0.20399376  0.19824784  0.20296435]
     [ 0.19884577  0.1999416   0.19998889  0.20092702  0.20029672]
     [ 0.20328893  0.2025956   0.20500402  0.20383255  0.1852789 ]]

    Confusion matrix:
    [[1 0 0 0 0]
     [0 1 0 0 0]
     [0 0 1 0 0]
     [1 0 0 0 0]
     [0 0 0 0 1]]

    y_test [2 0 1 3 4]
    pred [2 0 1 0 4]
    classifier.classes_ = [0 1 2 3 4]

除了第三节课以外的任何东西都是匹配的。根据以cm为单位的预测标签，预测0级，实际级别为 0 argmax（pred_prob）。但是，它映射到

     y_test [2 0 1 3 4]

所以找到第二堂课

    0              1             2          3          4
    [ 0.20734121  0.20451986  0.17262553  0.20768649  0.20782692]
    and the winner is **0.17262553**

让我们再做一次。查看错误分类结果numero 4，其中实际的lebel 4，根据cm预测为1。

    BUT y_test [2 0 1 3 4] pred [2 0 1 0 4]
    which translates to actual label 3 predicted label 0
    0             1             2            3        4
    ]0.19884577  0.1999416   0.19998889  0.20092702  0.20029672]
    look at label number 0, and the winner is **0.19884577**

这是我的0.02。

Scikit-learn predict_proba给出了错误的答案

4 个答案: