使用和不使用 Pipeline 的 Logistic 回归的不同 AUC-PR 分数

Question

我想了解为什么在使用和不使用流水线的情况下使用逻辑回归得到不同的 AUC-PR 分数。

这是我的代码使用管道：

column_encoder = ColumnTransformer([
    ('ordinal_enc', OrdinalEncoder(), categorical_cols)
])

pipeline = Pipeline([
    ('column_encoder', column_enc),
    ('logreg', LogisticRegressionCV(random_state=777))
])

model = pipeline.fit(X_train, y_train)
y_pred = model.predict(X_test)

print(f'AUC-PR with Pipeline: {average_precision_score(y_test, y_pred):.4f}')

这是我的代码没有管道：

ord_enc = OrdinalEncoder()
ord_encoded_X_train = ord_enc.fit_transform(X_train[categorical_cols])
ord_encoded_X_test = ord_enc.transform(X_test[categorical_cols])

X_train_encoded = X_train.copy(deep=True)
X_test_encoded = X_test.copy(deep=True)

X_train_encoded.loc[:, categorical_cols] = copy.deepcopy(ord_encoded_X_train)
X_test_encoded.loc[:, categorical_cols] = copy.deepcopy(ord_encoded_X_test)

model = LogisticRegression(random_state=777, max_iter=2000)
model.fit(X_train_encoded, y_train)
y_pred = model.predict(X_test_encoded)

print(f'AUC-PR without Pipeline: {average_precision_score(y_test, y_pred):.4f}')

最后：

AUC-PR with Pipeline:    0.1133
AUC-PR without Pipeline: 0.2406

那么，这是为什么呢？

Answer 1

您的 ColumnTransformer 正在删除不在 categorical_cols 中的所有列，因为 remainder 的默认值是 "drop"。添加 remainder="passthrough" 以保留模型的非分类列。

其他问题：

您在第二种方法中设置了 max_iter 而不是第一种方法。
您正在使用硬 class 预测计算 average_precision_score，而您应该使用概率预测。

使用和不使用 Pipeline 的 Logistic 回归的不同 AUC-PR 分数

Different AUC-PR scores using Logistic Regression with and without Pipeline

scikit-learn

logistic-regression

auc

average-precision

scikit-learn-pipeline