Question

我想为不同的分类器计算交叉验证测试的召回，精确度和 f-measure 。 scikit-learn 附带cross_val_score但很遗憾，此类方法不会返回多个值。

我可以通过调用三次 cross_val_score 来计算此类度量，但效率不高。有没有更好的解决方案？

到现在为止我写了这个函数：

from sklearn import metrics

def mean_scores(X, y, clf, skf):

    cm = np.zeros(len(np.unique(y)) ** 2)
    for i, (train, test) in enumerate(skf):
        clf.fit(X[train], y[train])
        y_pred = clf.predict(X[test])
        cm += metrics.confusion_matrix(y[test], y_pred).flatten()

    return compute_measures(*cm / skf.n_folds)

def compute_measures(tp, fp, fn, tn):
     """Computes effectiveness measures given a confusion matrix."""
     specificity = tn / (tn + fp)
     sensitivity = tp / (tp + fn)
     fmeasure = 2 * (specificity * sensitivity) / (specificity + sensitivity)
     return sensitivity, specificity, fmeasure

它基本上总结了混淆矩阵值，一旦你有误判，假阴性等，你就可以轻松计算召回率，精度等等......但我仍然是不喜欢这个解决方案：）

Answer 1

现在在scikit-learn中：cross_validate是一个新功能，可以评估多个指标的模型。此功能也可在GridSearchCV和RandomizedSearchCV（doc）中使用。它已经merged recently in master，将在v0.19中提供。

来自scikit-learn doc：

cross_validate功能在两个方面与cross_val_score不同：1。它允许指定多个评估指标。 2。除了测试分数之外，它还会返回包含训练分数，适合次数和分数时间的字典。

典型的用例是：

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_validate
iris = load_iris()
scoring = ['precision', 'recall', 'f1']
clf = SVC(kernel='linear', C=1, random_state=0)
scores = cross_validate(clf, iris.data, iris.target == 1, cv=5,
                        scoring=scoring, return_train_score=False)

另见this example。

Answer 2

您提供的解决方案恰好代表cross_val_score的功能，完全适合您的情况。这似乎是正确的方法。

cross_val_score接受参数n_jobs=，使评估可并行化。如果这是您需要的，您应该使用sklearn.externals.joblib.Parallel来考虑使用并行循环替换for循环。

更一般地说，正在讨论关于scikit learn的问题跟踪器中的多个分数的问题。可以找到代表性线程here。因此，虽然看起来scikit-learn的未来版本将允许得分者的多个输出，但截至目前，这是不可能的。

hacky （免责声明！）解决这个问题的方法是，通过删除条件检查您的分数是否为数字来更改cross_validation.py中的代码。但是，此建议非常依赖于版本，因此我将其用于版本0.14。

1）在IPython中，输入from sklearn import cross_validation，然后输入cross_validation??。记下显示的文件名并在编辑器中打开它（您可能需要root权限）。

2）你会找到this code，我已经在那里标记了相关的行（1066）。它说

    if not isinstance(score, numbers.Number):
        raise ValueError("scoring must return a number, got %s (%s)"
                         " instead." % (str(score), type(score)))

需要删除这些行。为了跟踪曾经有过的东西（如果你想要改回），请用下面的

替换它

    if not isinstance(score, numbers.Number):
        pass
        # raise ValueError("scoring must return a number, got %s (%s)"
        #                 " instead." % (str(score), type(score)))

如果得分者返回的内容并未使cross_val_score在其他地方窒息，则应解决您的问题。如果是这种情况，请告诉我。

Answer 3

您可以使用以下代码，通过每个交叉验证步骤仅为估算器拟合一次来计算准确度，精度，召回和任何其他指标。

def get_true_and_pred_CV(estimator, X, y, n_folds, cv, params):
    ys = []
    for train_idx, valid_idx in cv:
        clf = estimator(**params)
        if isinstance(X, np.ndarray):
            clf.fit(X[train_idx], y[train_idx])
            cur_pred = clf.predict(X[valid_idx])
        elif isinstance(X, pd.DataFrame):
            clf.fit(X.iloc[train_idx, :], y[train_idx]) 
            cur_pred = clf.predict(X.iloc[valid_idx, :])
        else:
            raise Exception('Only numpy array and pandas DataFrame ' \
                            'as types of X are supported')

        ys.append((y[valid_idx], cur_pred))
    return ys


def fit_and_score_CV(estimator, X, y, n_folds=10, stratify=True, **params):
    if not stratify:
        cv_arg = sklearn.cross_validation.KFold(y.size, n_folds)
    else:
        cv_arg = sklearn.cross_validation.StratifiedKFold(y, n_folds)

    ys = get_true_and_pred_CV(estimator, X, y, n_folds, cv_arg, params)    
    cv_acc = map(lambda tp: sklearn.metrics.accuracy_score(tp[0], tp[1]), ys)
    cv_pr_weighted = map(lambda tp: sklearn.metrics.precision_score(tp[0], tp[1], average='weighted'), ys)
    cv_rec_weighted = map(lambda tp: sklearn.metrics.recall_score(tp[0], tp[1], average='weighted'), ys)
    cv_f1_weighted = map(lambda tp: sklearn.metrics.f1_score(tp[0], tp[1], average='weighted'), ys)

    # the approach below makes estimator fit multiple times
    #cv_acc = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='accuracy')
    #cv_pr_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='precision_weighted')
    #cv_rec_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='recall_weighted')   
    #cv_f1_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='f1_weighted')
    return {'CV accuracy': np.mean(cv_acc), 'CV precision_weighted': np.mean(cv_pr_weighted),
            'CV recall_weighted': np.mean(cv_rec_weighted), 'CV F1_weighted': np.mean(cv_f1_weighted)}

我经常使用这些函数而不是cross_val_score来计算多个统计信息。您可以根据需要更改质量指标。

Answer 4

你可以用这个：

from sklearn import metrics
from multiscorer import MultiScorer
import numpy as np

scorer = MultiScorer({
    'F-measure' : (f1_score, {...}),
    'Precision' : (precision_score, {...}),
    'Recall' : (recall_score, {...})
})

...

cross_val_score(clf, X, target, scoring=scorer)
results = scorer.get_results()

for name in results.keys():
     print '%s: %.4f' % (name, np.average(results[name]) )

multiscorer 的来源位于http://verilog.renerta.com/source/vrg00016.htm

Answer 5

如果您通过多个类别查找多个指标，这可能会有所帮助。在scikit中使用最新的doc，可学习0.19及更高版本；您可以将自己的字典与度量函数一起传递；

<commandlineArgs>${example-idl} ${basic-types-idl}</commandlineArgs>

sklearn - 具有多个分数的交叉验证

5 个答案: