python - 用户警告 : Label not :NUMBER: is present in all training examples

Question

我正在进行多标签分类，我尝试为每个文档预测正确的标签，这是我的代码:

mlb = MultiLabelBinarizer()
X = dataframe['body'].values 
y = mlb.fit_transform(dataframe['tag'].values)

classifier = Pipeline([
    ('vectorizer', CountVectorizer(lowercase=True, 
                                   stop_words='english', 
                                   max_df = 0.8, 
                                   min_df = 10)),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC()))])

predicted = cross_val_predict(classifier, X, y)

运行我的代码时，我收到多个警告:

UserWarning: Label not :NUMBER: is present in all training examples.

当我打印出预测标签和真实标签时，大约有一半的文档预测标签为空。

为什么会发生这种情况，是否与它在训练运行时打印出的警告有关？我怎样才能避免那些空洞的预测？

---

EDIT01:当使用 LinearSVC() 以外的其他估算器时，也会发生这种情况。

我试过 RandomForestClassifier()，它也给出了空预测。奇怪的是，当我使用 cross_val_predict(classifier, X, y, method='predict_proba') 来预测每个标签的概率时，而不是二元决策 0/1，总是至少有一个标签对于给定文档，每个预测集的概率 > 0。所以我不知道为什么这个标签没有选择二元决策？还是二元决策的评估方式不同于概率？

EDIT02:我找到了一个旧的 post OP正在处理类似的问题。这是同一个案例吗？

Answer 1

Why is this happening, is it related to warnings it prints out while training is running?

问题可能是某些标签只出现在少数文档中(查看 this thread 了解详细信息)。当您将数据集拆分为训练和测试以验证您的模型时，训练数据中可能会丢失某些标签。设 train_indices 为包含训练样本索引的数组。如果训练样本中没有出现特定标签(索引 k)，则指标矩阵 y[train_indices] 的第 k 列中的所有元素] 是零。

How can I avoid those empty predictions?

在上述场景中，分类器将无法可靠地预测测试文档中的第 k 标签(下一段将详细介绍)。因此，您不能相信 clf.predict 做出的预测，您需要自己实现预测功能，例如使用 clf.decision_function 返回的决策值作为在 this answer 中建议。

So I don't know why is this label not chosen with binary decisioning? Or is binary decisioning evaluated in different way than probabilities?

在包含许多标签的数据集中，大多数标签的出现频率通常很低。如果将这些低值馈送到二元分类器(即进行 0-1 预测的分类器)，则分类器很可能会为所有文档的所有标签选择 0。

I have found an old post where OP was dealing with similar problem. Is this the same case?

是的，绝对是。那个人面临着与您完全相同的问题，他的代码与您的非常相似。

---

演示

为了进一步解释这个问题，我使用模拟数据详细说明了一个简单的玩具示例。

Q = {'What does the "yield" keyword do in Python?': ['python'],
     'What is a metaclass in Python?': ['oop'],
     'How do I check whether a file exists using Python?': ['python'],
     'How to make a chain of function decorators?': ['python', 'decorator'],
     'Using i and j as variables in Matlab': ['matlab', 'naming-conventions'],
     'MATLAB: get variable type': ['matlab'],
     'Why is MATLAB so fast in matrix multiplication?': ['performance'],
     'Is MATLAB OOP slow or am I doing something wrong?': ['matlab-oop'],
    }
dataframe = pd.DataFrame({'body': Q.keys(), 'tag': Q.values()})    

mlb = MultiLabelBinarizer()
X = dataframe['body'].values 
y = mlb.fit_transform(dataframe['tag'].values)

classifier = Pipeline([
    ('vectorizer', CountVectorizer(lowercase=True, 
                                   stop_words='english', 
                                   max_df=0.8, 
                                   min_df=1)),
    ('tfidf', TfidfTransformer()),
    ('clf', OneVsRestClassifier(LinearSVC()))])

请注意，我设置了 min_df=1，因为我的数据集比你的小得多。当我运行以下句子时:

predicted = cross_val_predict(classifier, X, y)

我收到一堆警告

C:\...\multiclass.py:76: UserWarning: Label not 4 is present in all training examples.
  str(classes[c]))
C:\\multiclass.py:76: UserWarning: Label not 0 is present in all training examples.
  str(classes[c]))
C:\...\multiclass.py:76: UserWarning: Label not 3 is present in all training examples.
  str(classes[c]))
C:\...\multiclass.py:76: UserWarning: Label not 5 is present in all training examples.
  str(classes[c]))
C:\...\multiclass.py:76: UserWarning: Label not 2 is present in all training examples.
  str(classes[c]))

和以下预测:

In [5]: np.set_printoptions(precision=2, threshold=1000)    

In [6]: predicted
Out[6]: 
array([[0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 1],
       [0, 0, 0, 0, 0, 0, 1],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0]])

条目全部为0的行表示没有为相应文档预测标签。

---

解决方法

为了便于分析，让我们手动验证模型，而不是通过 cross_val_predict。

import warnings
from sklearn.model_selection import ShuffleSplit

rs = ShuffleSplit(n_splits=1, test_size=.5, random_state=0)
train_indices, test_indices = rs.split(X).next()

with warnings.catch_warnings(record=True) as received_warnings:
    warnings.simplefilter("always")
    X_train, y_train = X[train_indices], y[train_indices]
    X_test, y_test = X[test_indices], y[test_indices]
    classifier.fit(X_train, y_train)
    predicted_test = classifier.predict(X_test)
    for w in received_warnings:
        print w.message

执行上面的代码片段时会发出两个警告(我使用上下文管理器来确保捕捉到警告):

Label not 2 is present in all training examples.
Label not 4 is present in all training examples.

这与索引2和4的标签在训练样本中缺失的事实是一致的:

In [40]: y_train
Out[40]: 
array([[0, 0, 0, 0, 0, 1, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 1, 0, 1, 0, 0, 0],
       [1, 0, 0, 0, 0, 0, 1]])

对于某些文档，预测为空(那些文档对应于 predicted_test 中全为零的行):

In [42]: predicted_test
Out[42]: 
array([[0, 1, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0],
       [0, 1, 0, 1, 0, 0, 0]])

要克服这个问题，您可以像这样实现自己的预测函数:

def get_best_tags(clf, X, lb, n_tags=3):
    decfun = clf.decision_function(X)
    best_tags = np.argsort(decfun)[:, :-(n_tags+1): -1]
    return lb.classes_[best_tags]

通过这样做，每个文档总是分配有最高置信度分数的 n_tag 标签:

In [59]: mlb.inverse_transform(predicted_test)
Out[59]: [('matlab',), (), (), ('matlab', 'naming-conventions')]

In [60]: get_best_tags(classifier, X_test, mlb)
Out[60]: 
array([['matlab', 'oop', 'matlab-oop'],
       ['oop', 'matlab-oop', 'matlab'],
       ['oop', 'matlab-oop', 'matlab'],
       ['matlab', 'naming-conventions', 'oop']], dtype=object)