h2o：缺少 F1 分数和其他二元分类指标

Question

我能够运行以下示例代码并获得 F1 分数：

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

# import the airlines dataset:
# This dataset is used to classify whether a flight will be delayed 'YES' or not "NO"
# original data can be found at http://www.transtats.bts.gov/
airlines= h2o.import_file("https://s3.amazonaws.com/h2o-public-test-data/smalldata/airlines/allyears2k_headers.zip")

# convert columns to factors
airlines["Year"]= airlines["Year"].asfactor()
airlines["Month"]= airlines["Month"].asfactor()
airlines["DayOfWeek"] = airlines["DayOfWeek"].asfactor()
airlines["Cancelled"] = airlines["Cancelled"].asfactor()
airlines['FlightNum'] = airlines['FlightNum'].asfactor()

# set the predictor names and the response column name
predictors = ["Origin", "Dest", "Year", "UniqueCarrier",
              "DayOfWeek", "Month", "Distance", "FlightNum"]
response = "IsDepDelayed"

# split into train and validation sets
train, valid = airlines.split_frame(ratios = [.8], seed = 1234)

# train your model
airlines_gbm = H2OGradientBoostingEstimator(sample_rate = .7, seed = 1234)
airlines_gbm.train(x = predictors,
                   y = response,
                   training_frame = train,
                   validation_frame = valid)

# retrieve the model performance
perf = airlines_gbm.model_performance(valid)
perf

输出如下：

ModelMetricsBinomial: gbm
** Reported on test data. **

MSE: 0.20546330299964743
RMSE: 0.4532806007316521
LogLoss: 0.5967028742962095
Mean Per-Class Error: 0.31720065289432364
AUC: 0.7414970113257631
AUCPR: 0.7616331690362552
Gini: 0.48299402265152613

Confusion Matrix (Act/Pred) for max f1 @ threshold = 0.35417599264806404: 
NO  YES Error   Rate
0   NO  1641.0  2480.0  0.6018  (2480.0/4121.0)
1   YES 595.0   4011.0  0.1292  (595.0/4606.0)
2   Total   2236.0  6491.0  0.3524  (3075.0/8727.0)

...

但是，尽管看起来具有相同的形式，但我的数据集并没有以类似的方式工作。我的数据集目标变量也有一个二进制标签。关于我的数据集的一些信息：

y_test.nunique()
failure    2
dtype: int64

然而我的性能 (perf) 指标是示例代码的一小部分：

perf = gbm.model_performance(hf_test)
perf
ModelMetricsRegression: gbm
** Reported on test data. **

MSE: 0.02363221438767555
RMSE: 0.1537277281028883
MAE: 0.07460874699751764
RMSLE: 0.12362377397478382
Mean Residual Deviance: 0.02363221438767555

由于数据的敏感性，很难共享我的数据。关于要检查的内容有什么想法吗？

Answer 1

您正在训练回归模型，这就是您缺少二元分类指标的原因。 H2O 知道是训练回归还是分类模型的方法是查看响应列的数据类型。

我们在 H2O 用户指南中对其进行了解释 here，但这是我们经常遇到的问题，因为它与 scikit-learn 的工作方式不同，scikit-learn 使用不同的方法进行回归和分类，并且不需要你要考虑列类型。

y_test.nunique()
failure    2
dtype: int64

在训练数据的响应列中，您可以这样做：

train["response"] = train["response"].asfactor()

或者，当您从磁盘读取文件时，您可以将响应列解析为“枚举”类型，这样您就不必事后转换它。在 Python here 中有一些如何做到这一点的例子。如果响应存储为整数，H2O 在从磁盘读取数据时只是假定它是一个数字列，但如果响应存储为字符串，它将正确地将其解析为分类（又名“枚举”）列，并且您不需要指定或转换它。

h2o：缺少 F1 分数和其他二元分类指标

h2o: F1 score and other binary classification metrics missing

python

h2o

gbm