python - 学习 : Calibrate a multi-label classification with CalibratedClassifierCV

Question

我已经构建了许多 sklearn 分类器模型来执行多标签分类，我想校准它们的 predict_proba 输出，以便获得置信度分数。我还想使用诸如 sklearn.metrics.recall_score 之类的指标来评估它们。

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 不直接接受我的数据:

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)

这会返回一个错误:

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 中:

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，即使它们可能更适合我的问题。

有效，但校准分类器的预测输出是多类而不是多标签，因为its implementation .有四个类([0 1 2 3])但是如果不需要放标签，它仍然预测一个0。

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

我想观察我的(已校准)模型执行确定性(predict)和概率性(predict_proba)预测的性能。我应该如何设计我的模型/将东西包装在其他容器中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，您使用的是 DecisionTreeClassifier，默认情况下为 support targets维度 (n, m)，其中 m > 1。

但是如果你想得到 marginal probability 的结果然后使用 OneVsRestClassifier。

请注意 CalibratedClassifierCV 需要 target to be 1d所以“技巧”是扩展它以支持带有 MultiOutputClassifier 的多标签分类.

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]])]

请注意，predict_proba 的结果是一个包含 4 个数组的列表，每个数组是属于第 i 类的概率。例如，第一个数组的第一个样本里面是第一个样本属于第1类的概率等等。

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