Question

我尝试使用H2O为二进制分类问题创建一些机器学习模型，测试结果非常好。但后来我检查并发现了一些奇怪的东西。我试图出于好奇心打印模型的预测。我发现我的模型实际上一直预测0（负），但AUC约为0.65，精度不是0.0。然后我尝试使用Scikit-learn来比较指标得分，并且（如预期的那样）它们是不同的。 Scikit学习得到0.0精度和0.5 AUC分数，我认为这是正确的。这是我使用的代码：

model = h2o.load_model(model_path)
predictions = model.predict(Test_data).as_data_frame()

# H2O version to print the AUC score
auc = model.model_performance(Test_data).auc()

# Python version to print the AUC score
auc_sklearn = sklearn.metrics.roc_auc_score(y_true, predictions['predict'].tolist())

有什么想法？提前谢谢！

Answer 1

H2O和scikit-learn评分之间没有区别，你只需要了解如何理解输出，这样你就可以准确地比较它们。

如果您查看predictions['predict']中的数据，您会发现它是预测类，而不是原始预测值。 AUC使用后者，因此您需要使用正确的列。见下文：

import h2o
from h2o.estimators.gbm import H2OGradientBoostingEstimator
h2o.init()

# Import a sample binary outcome train/test set into H2O
train = h2o.import_file("https://s3.amazonaws.com/erin-data/higgs/higgs_train_10k.csv")
test = h2o.import_file("https://s3.amazonaws.com/erin-data/higgs/higgs_test_5k.csv")

# Identify predictors and response
x = train.columns
y = "response"
x.remove(y)

# For binary classification, response should be a factor
train[y] = train[y].asfactor()
test[y] = test[y].asfactor()

# Train and cross-validate a GBM
model = H2OGradientBoostingEstimator(distribution="bernoulli", seed=1)
model.train(x=x, y=y, training_frame=train)

# Test AUC
model.model_performance(test).auc()
# 0.7817203808052897

# Generate predictions on a test set
pred = model.predict(test)

检查输出：

In [4]: pred.head()
Out[4]:
  predict        p0        p1
---------  --------  --------
        0  0.715077  0.284923
        0  0.778536  0.221464
        0  0.580118  0.419882
        1  0.316875  0.683125
        0  0.71118   0.28882
        1  0.342766  0.657234
        1  0.297636  0.702364
        0  0.594192  0.405808
        1  0.513834  0.486166
        0  0.70859   0.29141

[10 rows x 3 columns]

现在与sklearn比较：

from sklearn.metrics import roc_auc_score

pred_df = pred.as_data_frame()
y_true = test[y].as_data_frame()

roc_auc_score(y_true, pred_df['p1'].tolist())
# 0.78170751032654806

在这里你可以看到它们大致相同。 AUC是一种近似方法，因此当您比较不同的实现时，您会看到几位小数后的差异。

H2O和Scikit-Learn指标评分之间有什么区别吗？

1 个答案: