Sklearn：使用 CalibratedClassifierCV 校准多标签分类

Question

我已经构建了许多 sklearn classifier 模型来执行多标签 classification，我想校准它们的 predict_proba 输出以便我可以获得置信度分数.我还想使用 sklearn.metrics.recall_score 等指标来评估它们。

我有 4 个标签要预测，真实标签是多热编码的（例如 [0, 1, 1, 1]）。结果CalibratedClassifierCV没有直接接受我的数据：

clf = tree.DecisionTreeClassifier(max_depth=15)
clf = clf.fit(train_X, train_Y)
calibrated_clf = CalibratedClassifierCV(clf, cv="prefit", method="sigmoid")
calibrated_clf.fit(dev_X, dev_Y)

这会 return 一个错误：

ValueError: classes [[0 1]
 [0 1]
 [0 1]
 [0 1]] mismatch with the labels [0 1 2 3] found in the data

因此，我尝试将其包装在 OneVsRestClassifier:

clf = OneVsRestClassifier(tree.DecisionTreeClassifier(max_depth=15), n_jobs=4)
clf = clf.fit(train_X, train_Y)
calibrated_clf = CalibratedClassifierCV(clf, cv="prefit", method="sigmoid")
calibrated_clf.fit(dev_X, dev_Y)

请注意，MultiOutputClassifier 和 ClassifierChain 不起作用，尽管它们可能更适合我的问题。

它有效，但是校准后的 classifier 的 predict 输出是 multi-class 而不是 multi-label 因为its implementation。有四个classes([0 1 2 3])但是如果不用打label的话，还是预测一个0.

通过校准曲线进一步检查后，发现包裹在校准后的 classifier 中的基本估计器根本没有校准。也就是说，(calibrated_clf.calibrated_classifiers_)[0].base_estimator return与校准前相同clf。

我想观察我的（校准的）模型进行确定性（predict）和概率性（predict_proba）预测的性能。我应该如何在其他容器中设计我的 model/wrap 事物以获得每个标签的校准概率和可理解的标签预测？

Answer 1

在您的示例中，您使用的 DecisionTreeClassifier 默认情况下 support targets 维度 (n, m)，其中 m > 1。

但是如果你想得到每个 class 的 marginal probability 的结果，那么使用 OneVsRestClassifier.

请注意 CalibratedClassifierCV 需要 target to be 1d so the "trick" is to extend it to support Multilabel Classification with MultiOutputClassifier。

完整示例

from sklearn.datasets import make_multilabel_classification
from sklearn.tree import DecisionTreeClassifier
from sklearn.multioutput import MultiOutputClassifier
from sklearn.model_selection import train_test_split, StratifiedKFold

import numpy as np

# Generate a sample multilabel target
X, y = make_multilabel_classification(n_classes=4, random_state=0)

y
>>> 
array([[1, 0, 1, 0],
       [0, 0, 0, 0],
       [1, 0, 1, 0],
       ...
       [0, 0, 0, 0],
       [0, 1, 1, 1],
       [1, 1, 0, 1]])

# Split in train/test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.9, random_state=42
)

# Splits Stratify target variable
cv = StratifiedKFold(n_splits=2)

# Decision tree support by default multiclass target or use OneVsRest if marginal probabilities
clf = OneVsRestClassifier(DecisionTreeClassifier(max_depth=10))

# Calibrate estimator probabilities
calibrated_clf = CalibratedClassifierCV(base_estimator=clf, cv=cv)

# calibrated_clf target is one dimensional, extend classifier to multi-target classification.
multioutput_clf = MultiOutputClassifier(calibrated_clf).fit(X_train, y_train)

# Check predict 
multioutput_clf.predict(X_test[-5:])
>>> 
array([[0, 0, 1, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1]])

# Check predict_proba
multioutput_clf.predict_proba(X_test[-5:])
>>>
[array([[0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685]]),
 array([[0.59166537, 0.40833463],
        [0.59166537, 0.40833463],
        [0.40833361, 0.59166639],
        [0.59166537, 0.40833463],
        [0.59166537, 0.40833463]]),
 array([[0.61666922, 0.38333078],
        [0.61666427, 0.38333573],
        [0.80000098, 0.19999902],
        [0.61666427, 0.38333573],
        [0.61666427, 0.38333573]]),
 array([[0.26874774, 0.73125226],
        [0.26874774, 0.73125226],
        [0.45208444, 0.54791556],
        [0.26874774, 0.73125226],
        [0.26874774, 0.73125226]])]

注意 predict_proba 的结果是一个包含 4 个数组的列表，每个数组是属于 class i 的概率。例如，第一个数组的第一个样本内是第一个样本属于 class 1 的概率，依此类推。

关于校准曲线，scikit-learn 提供了示例来绘制 two dimension and three dimension 目标的概率路径。

Sklearn：使用 CalibratedClassifierCV 校准多标签分类

Sklearn: Calibrate a multi-label classification with CalibratedClassifierCV

python

classification

machine-learning

scikit-learn