如何在多标签分类器上使用 scikit-learn 的交叉验证功能

机器算法验证 交叉验证 Python 多级 scikit-学习 多标签
2022-02-09 17:47:18

我在一个有 5 个类的数据集上测试不同的分类器,每个实例可以属于这些类中的一个或多个,所以我使用 scikit-learn 的多标签分类器,特别是sklearn.multiclass.OneVsRestClassifier. 现在我想使用sklearn.cross_validation.StratifiedKFold. 这会产生以下错误:

Traceback (most recent call last):
  File "mlfromcsv.py", line 93, in <module>
    main()
  File "mlfromcsv.py", line 77, in main
    test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')
  File "mlfromcsv.py", line 44, in test_classifier_multilabel
    scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
  File "/usr/lib/pymodules/python2.7/sklearn/cross_validation.py", line 1046, in cross_val_score
    X, y = check_arrays(X, y, sparse_format='csr')
  File "/usr/lib/pymodules/python2.7/sklearn/utils/validation.py", line 144, in check_arrays
    size, n_samples))
ValueError: Found array with dim 5. Expected 98816

请注意,训练多标签分类器不会崩溃,但交叉验证会崩溃。我必须如何对这个多标签分类器执行交叉验证?

我还编写了第二个版本,将问题分解为训练和交叉验证 5 个单独的分类器。这工作得很好。

这是我的代码。功能test_classifier_multilabel是给问题的一个。 test_classifier是我的另一个尝试(将问题分解为 5 个分类器和 5 个交叉验证)。

import numpy as np
from sklearn import *
from sklearn.multiclass import OneVsRestClassifier
from sklearn.neighbors import KNeighborsClassifier
import time

def test_classifier(clf, X, Y, description, jobs=1):
    print '=== Testing classifier {0} ==='.format(description)
    for class_idx in xrange(Y.shape[1]):
        print ' > Cross-validating for class {:d}'.format(class_idx)
        n_samples = X.shape[0]
        cv = cross_validation.StratifiedKFold(Y[:,class_idx], 3)
        t_start = time.clock()
        scores = cross_validation.cross_val_score(clf, X, Y[:,class_idx], cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
        t_end = time.clock();
        print 'Cross validation time: {:0.3f}s.'.format(t_end-t_start)
        str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
        str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
        print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
        for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
            mean_precision = scores[:,0,score_class].mean()
            std_precision = scores[:,0,score_class].std()
            mean_recall = scores[:,1,score_class].mean()
            std_recall = scores[:,1,score_class].std()
            mean_f1_score = scores[:,2,score_class].mean()
            std_f1_score = scores[:,2,score_class].std()
            support = scores[:,3,score_class].mean()
            print str_tbl_fmt.format(
                lbl,
                str_tbl_entry_fmt.format(mean_precision, std_precision),
                str_tbl_entry_fmt.format(mean_recall, std_recall),
                str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
                '{:0.2f}'.format(support))

def test_classifier_multilabel(clf, X, Y, description, jobs=1):
    print '=== Testing multi-label classifier {0} ==='.format(description)
    n_samples = X.shape[0]
    Y_list = [value for value in Y.T]
    print 'Y_list[0].shape:', Y_list[0].shape, 'len(Y_list):', len(Y_list)
    cv = cross_validation.StratifiedKFold(Y_list, 3)
    clf_ml = OneVsRestClassifier(clf)
    accuracy = (clf_ml.fit(X, Y).predict(X) != Y).sum()
    print 'Accuracy: {:0.2f}'.format(accuracy)
    scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
    str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
    str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
    print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
    for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
        mean_precision = scores[:,0,score_class].mean()
        std_precision = scores[:,0,score_class].std()
        mean_recall = scores[:,1,score_class].mean()
        std_recall = scores[:,1,score_class].std()
        mean_f1_score = scores[:,2,score_class].mean()
        std_f1_score = scores[:,2,score_class].std()
        support = scores[:,3,score_class].mean()
        print str_tbl_fmt.format(
            lbl,
            str_tbl_entry_fmt.format(mean_precision, std_precision),
            str_tbl_entry_fmt.format(mean_recall, std_recall),
            str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
            '{:0.2f}'.format(support))

def main():
    nfeatures = 13
    nclasses = 5
    ncolumns = nfeatures + nclasses

    data = np.loadtxt('./feature_db.csv', delimiter=',', usecols=range(ncolumns))

    print data, data.shape
    X = np.hstack((data[:,0:3], data[:,(nfeatures-1):nfeatures]))
    print 'X.shape:', X.shape
    Y = data[:,nfeatures:ncolumns]
    print 'Y.shape:', Y.shape

    test_classifier(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine', jobs=-1)
    test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')

if  __name__ =='__main__':
    main()

我正在使用 Ubuntu 13.04 和 scikit-learn 0.12。我的数据是具有形状 (98816, 4) 和 (98816, 5) 的两个数组(X 和 Y)的形式,即每个实例有 4 个特征和 5 个类标签。标签是 1 或 0,表示该类中的成员资格。我是否使用了正确的格式,因为我没有看到太多关于它的文档?

2个回答

分层抽样意味着在您的 KFold 抽样中保留了类成员分布。这在多标签情况下没有多大意义,因为您的目标向量每次观察可能有多个标签。

在这个意义上,分层有两种可能的解释。

对于标签,其中至少有一个已填充,从而为您提供唯一标签。您可以对每个唯一标签箱执行分层抽样。ni=1n2n

另一种选择是尝试对训练数据进行分段,以使标签向量分布的概率质量在折叠上大致相同。例如

import numpy as np

np.random.seed(1)
y = np.random.randint(0, 2, (5000, 5))
y = y[np.where(y.sum(axis=1) != 0)[0]]


def proba_mass_split(y, folds=7):
    obs, classes = y.shape
    dist = y.sum(axis=0).astype('float')
    dist /= dist.sum()
    index_list = []
    fold_dist = np.zeros((folds, classes), dtype='float')
    for _ in xrange(folds):
        index_list.append([])
    for i in xrange(obs):
        if i < folds:
            target_fold = i
        else:
            normed_folds = fold_dist.T / fold_dist.sum(axis=1)
            how_off = normed_folds.T - dist
            target_fold = np.argmin(np.dot((y[i] - .5).reshape(1, -1), how_off.T))
        fold_dist[target_fold] += y[i]
        index_list[target_fold].append(i)
    print("Fold distributions are")
    print(fold_dist)
    return index_list

if __name__ == '__main__':
    proba_mass_split(y)

为了获得正常的训练,测试 KFold 生成的索引,您希望将其重写为使用 np.arange(y.shape[0]) 返回每个索引的 np.setdiff1d,然后使用iter方法将其包装在一个类中。

您可能需要检查:关于多标签数据的分层

在这里,作者首先讲述了从唯一标签集中采样的简单想法,然后介绍了一种新方法迭代分层多标签数据集。

迭代分层的方法是贪心的。

为了快速概述,以下是迭代分层的作用:

首先,他们找出每个 k 折叠应该有多少示例。

  • 查找每折叠所需的示例数量i每个标签j,cij.

  • 从尚未分配到 k 折叠的数据集中,标签l被识别出样本数最少的,Dl.

  • 然后对于每个数据点Dl找到折叠k为此ckj最大化(在这里打破平局)。换句话说就是:哪个折叠对标签的需求最大l,或者在标签方面是最不平衡的l.

  • 将当前数据点添加到折叠中k从上述步骤中找到,从原始数据集中删除数据点并调整计数值c并继续,直到所有数据点都没有分布到折叠中。

主要思想是首先关注稀有的标签,这个想法来自假设

“如果不优先检查稀有标签,那么它们可能会以不受欢迎的方式分发,并且无法随后修复”

要了解关系如何被打破和其他细节,我建议阅读这篇论文。另外,从实验部分我可以理解的是,根据标签集/示例的比率,人们可能想要使用基于唯一标签集或这种建议的迭代分层方法。对于该比率的较低值,作为迭代分层,在少数情况下,跨折叠的标签分布接近或更好。对于该比率的较高值,表明迭代分层在褶皱中保持了更好的分布。