python - 为什么 Weka RandomForest 给我的结果与 Scikit RandomForestClassifier 不同？

Question

在使用相同的 RandomForest 技术和相同的数据集时，我在 WEKA 和 scikit 之间得到了奇怪的结果差异。使用 scikit，我得到的 AUC 约为 0.62(一直以来，因为我进行了广泛的测试)。然而，使用 WEKA，我得到的结果接近 0.79。这是一个巨大的差异!

我测试算法的数据集是 KC1.arff，我将其副本放在我的公共(public)保管箱文件夹中 https://dl.dropbox.com/u/30688032/KC1.arff .对于 WEKA，我只是从 http://www.cs.waikato.ac.nz/ml/weka/downloading.html 下载了 .jar 文件。 .在 WEKA 中，我将交叉验证参数设置为 10 倍，数据集设置为 KC1.arff，算法设置为“RandomForest -l 19 -K 0 -S 1”。然后运行代码!在 WEKA 中生成结果后，应将其保存为文件、.csv 或 .arff。阅读该文件并检查“Area_under_ROC”列，它应该有点接近 0.79。

下面是scikit的RandomForest的代码

import numpy as np
from pandas import *
from sklearn.ensemble import RandomForestClassifier

def read_arff(f):
    from scipy.io import arff
    data, meta = arff.loadarff(f) 
    return DataFrame(data)

def kfold(clr,X,y,folds=10):
    from sklearn.cross_validation import StratifiedKFold
    from sklearn import metrics
    auc_sum=0
    kf = StratifiedKFold(y, folds)
    for train_index, test_index in kf:
        X_train, X_test = X[train_index], X[test_index]
        y_train, y_test = y[train_index], y[test_index]
        clr.fit(X_train, y_train)
        pred_test = clr.predict(X_test)
        print metrics.auc_score(y_test,pred_test)
        auc_sum+=metrics.auc_score(y_test,pred_test)

    print 'AUC: ',  auc_sum/folds
    print  "----------------------------" 



#read the dataset
X=read_arff('KC1.arff')
y=X['Defective']

#changes N, and Y to 0, and 1 respectively
s = np.unique(y)
mapping = Series([x[0] for x in enumerate(s)], index = s)  
y=y.map(mapping) 
del X['Defective']

#initialize random forests (by defualt it is set to 10 trees)
rf=RandomForestClassifier()

#run algorithm
kfold(rf,np.array(X),y)

#You will get an average AUC around 0.62 as opposed to 0.79 in WEKA

请记住，相关论文的实验结果显示的真实 auc 值约为 0.79，因此问题出在我使用 scikit 随机森林的实现上。

非常感谢您的帮助!!

非常感谢!

Answer 1

在 scikit-learn issue tracker 上发布问题后，我得到的反馈是问题出在我使用的“预测”函数中。它应该是“pred_test = clr.predict_proba(X_test)[:, 1]”而不是“pred_test = clr.predict(X_test)”，因为分类问题是二元的:0 或 1。

实现更改后，结果证明 WEKA 和 scikit 的随机森林的结果相同 :)