我正在处理OneVsRestClassifier
和SVC
,
from sklearn.datasets import make_multilabel_classification
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.grid_search import GridSearchCV
L=3
X, y = make_multilabel_classification(n_classes=L, n_labels=2,
allow_unlabeled=True,
random_state=1, return_indicator=True)
model_to_set = OneVsRestClassifier(SVC())
parameters = {
"estimator__C": [1,2,4,8],
"estimator__kernel": ["poly","rbf"],
"estimator__degree":[1, 2, 3, 4],
}
model_tunning = GridSearchCV(model_to_set, param_grid=parameters,
scoring='f1')
model_tunning.fit(X, y)
print model_tunning.best_score_
print model_tunning.best_params_
#0.855175822314
#{'estimator__kernel': 'poly', 'estimator__C': 1, 'estimator__degree': 3}
第一个问题
0.85
代表的数字是多少?它是L
分类器中的最佳分数还是平均分数?同样,这组参数是否代表L
分类器中的最佳得分者?
第二个问题
基于以下事实:如果我是对的,OneVsRestClassifier
逐字地为每个标签构建L
分类器,可以期望访问或观察每个标签的性能。但是,在上面的例子中,如何从L
对象获得GridSearchCV
分数?
修改
在调整模型之前,要简化问题并帮助自己了解有关OneVsRestClassifier
的更多信息,
model_to_set.fit(X,y)
gp = model_to_set.predict(X) # the "global" prediction
fp = model_to_set.estimators_[0].predict(X) # the first-class prediction
sp = model_to_set.estimators_[1].predict(X) # the second-class prediction
tp = model_to_set.estimators_[2].predict(X) # the third-class prediction
可以显示gp.T[0]==fp
,gp.T[1]==sp
和gp.T[2]==tp
。那么"全球"预测只是简单的顺序' L
个人预测和第二个问题已解决。
但令我感到困惑的是,如果一个元分类器OneVsRestClassifier
包含L
个分类器,那么GridSearchCV
如何只返回一个最佳分数,对应于4 * 2 *之一4组参数,对于具有OneVsRestClassifier
分类器的元分类器L
?
看到任何评论都会非常感激。
答案 0 :(得分:4)
GridSearchCV
从您的参数值创建网格,它将您的OneVsRestClassifier
计算为原子分类器(即GridSearchCV
不知道此元分类器内的内容)
首先:0.85是所有可能组合(在您的情况下为16个组合,4 * 2 * 4)参数OneVsRestClassifier
中("estimator__C", "estimator__kernel", "estimator__degree")
的最高分,这意味着GridSearchCV
评估16(同样,仅在此特定情况下)可能OneVsRestClassifier
,其中每个都包含L SVC
。一个OneVsRestClassifier
内的所有L分类器都具有相同的参数值(但是每个分类器都学习从L中识别它们自己的类)
即。来自
{OneVsRestClassifier(SVC(C=1, kernel="poly", degree=1)),
OneVsRestClassifier(SVC(C=1, kernel="poly", degree=2)),
...,
OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=3)),
OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=4))}
它选择得分最高的一个。
model_tunning.best_params_
这里表示OneVsRestClassifier(SVC())的参数,它将实现model_tunning.best_score_
。
您可以从OneVsRestClassifier
属性获得最佳model_tunning.best_estimator_
。
第二:没有准备好使用代码从OneVsRestClassifier
获取L分类器的单独分数,但您可以查看OneVsRestClassifier.fit
方法的实现,或者采用此方法(应该工作:)):
# Here X, y - your dataset
one_vs_rest = model_tunning.best_estimator_
yT = one_vs_rest.label_binarizer_.transform(y).toarray().T
# Iterate through all L classifiers
for classifier, is_ith_class in zip(one_vs_rest.estimators_, yT):
print(classifier.score(X, is_ith_class))
答案 1 :(得分:3)
受@Olologin的回答启发,我意识到0.85是L
预测获得的f1分数(在本例中)的最佳加权平均值。在下面的代码中,我使用内部测试来评估模型,使用f1得分的宏观平均值:
# Case A, inspect F1 score using the meta-classifier
F_A = f1_score(y, model_tunning.best_estimator_.predict(X), average='macro')
# Case B, inspect F1 scores of each label (binary task) and collect them by macro average
F_B = []
for label, clc in zip(y.T, model_tunning.best_estimator_.estimators_):
F_B.append(f1_score(label, clf.predict(X)))
F_B = mean(F_B)
F_A==F_B # True
因此,它意味着GridSearchCV
应用4 * 2 * 4组参数之一来构建元分类器,后者又使用L
个分类器之一对每个标签进行预测。 L
标签的结果为L
f1分数,每个标签都是二进制任务的表现。最后,通过取L
f1分数的平均值(宏观或加权平均值,由f1_score中的参数指定)来获得单个分数。
GridSearchCV
然后在4 * 2 * 4组参数中选择最佳平均f1分数,在此示例中为0.85。
虽然将包装器用于多标签问题很方便,但它只能使用用于构建L
分类器的相同参数集来最大化平均f1分数。如果想要分别优化每个标签的性能,似乎必须在不使用包装器的情况下构建L
分类器。
答案 2 :(得分:1)
关于您的第二个问题,您可能希望将GridSearchCV
与scikit-multilearn BinaryRelevance分类器一起使用。与OneVsRestClassifier
类似,二进制相关性创建L个单标签分类器,每个标签一个。对于每个标签,如果存在标签,则训练数据为1,如果不存在则为0。最佳选择的分类器集是BinaryRelevance
best_estimator_
属性中的GridSearchCV
类实例。用于预测概率浮点值的方法使用predict_proba
对象的BinaryRelevance
方法。可以在scikit-multilearn docs for model selection中找到一个示例。
在你的情况下,我会运行以下代码:
from skmultilearn.problem_transform import BinaryRelevance
from sklearn.model_selection import GridSearchCV
import sklearn.metrics
model_to_set = BinaryRelevance(SVC())
parameters = {
"classifier__estimator__C": [1,2,4,8],
"classifier__estimator__kernel": ["poly","rbf"],
"classifier__estimator__degree":[1, 2, 3, 4],
}
model_tunning = GridSearchCV(model_to_set, param_grid=parameters,
scoring='f1')
model_tunning.fit(X, y)
# for some X_test testing set
predictions = model_tunning.best_estimator_.predict(X_test)
# average=None gives per label score
metrics.f1_score(y_test, predictions, average = None)
请注意,比二元相关性更好的多标签分类方法:)您可以在madjarov's comparison或my recent paper中找到它们。