![](/img/trans.png)
[英]scikit-learn scores are different when using cross_val_predict vs cross_val_score
[英]How is scikit-learn cross_val_predict accuracy score calculated?
使用如下代码中所示的k -fold方法的cross_val_predict
(参见doc ,v0.18)是否计算每次折叠的准确度并最终平均它们?
cv = KFold(len(labels), n_folds=20)
clf = SVC()
ypred = cross_val_predict(clf, td, labels, cv=cv)
accuracy = accuracy_score(labels, ypred)
print accuracy
不,不是的!
根据交叉验证文档页面, cross_val_predict
不会返回任何分数,只会返回基于此处描述的特定策略的标签:
函数cross_val_predict具有与cross_val_score类似的接口, 但是对于输入中的每个元素,返回当它在测试集中时为该元素获得的预测 。 只能使用将所有元素分配给测试集一次的交叉验证策略(否则会引发异常)。
因此,通过调用accuracy_score(labels, ypred)
您只需计算上述特定策略与真实标签相比预测的标签的准确度分数 。 这再次在同一文档页面中指定:
然后可以使用这些预测来评估分类器:
predicted = cross_val_predict(clf, iris.data, iris.target, cv=10) metrics.accuracy_score(iris.target, predicted)
注意,该计算的结果可能与使用cross_val_score获得的结果略有不同,因为元素以不同方式分组。
如果您需要不同折叠的准确度分数,您应该尝试:
>>> scores = cross_val_score(clf, X, y, cv=cv)
>>> scores
array([ 0.96..., 1. ..., 0.96..., 0.96..., 1. ])
然后对于所有折叠的平均准确度使用scores.mean()
:
>>> print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
Accuracy: 0.98 (+/- 0.03)
为了计算Cohen Kappa coefficient
和混淆矩阵,我假设你的意思是真实标签和每个折叠的预测标签之间的kappa系数和混淆矩阵:
from sklearn.model_selection import KFold
from sklearn.svm.classes import SVC
from sklearn.metrics.classification import cohen_kappa_score
from sklearn.metrics import confusion_matrix
cv = KFold(len(labels), n_folds=20)
clf = SVC()
for train_index, test_index in cv.split(X):
clf.fit(X[train_index], labels[train_index])
ypred = clf.predict(X[test_index])
kappa_score = cohen_kappa_score(labels[test_index], ypred)
confusion_matrix = confusion_matrix(labels[test_index], ypred)
cross_val_predict
返回什么? 它使用KFold将数据拆分为k
部分,然后进行i=1..k
迭代:
i'th
部分作为测试数据和其他所有部分作为训练数据 i'th
) i'th
部分(测试数据) 在每次迭代中,预测了i'th
部分数据的标签。 最后,cross_val_predict合并所有部分预测的标签并将它们作为最终结果返回。
此代码逐步显示此过程:
X = np.array([[0], [1], [2], [3], [4], [5]])
labels = np.array(['a', 'a', 'a', 'b', 'b', 'b'])
cv = KFold(len(labels), n_folds=3)
clf = SVC()
ypred_all = np.chararray((labels.shape))
i = 1
for train_index, test_index in cv.split(X):
print("iteration", i, ":")
print("train indices:", train_index)
print("train data:", X[train_index])
print("test indices:", test_index)
print("test data:", X[test_index])
clf.fit(X[train_index], labels[train_index])
ypred = clf.predict(X[test_index])
print("predicted labels for data of indices", test_index, "are:", ypred)
ypred_all[test_index] = ypred
print("merged predicted labels:", ypred_all)
i = i+1
print("=====================================")
y_cross_val_predict = cross_val_predict(clf, X, labels, cv=cv)
print("predicted labels by cross_val_predict:", y_cross_val_predict)
结果是:
iteration 1 :
train indices: [2 3 4 5]
train data: [[2] [3] [4] [5]]
test indices: [0 1]
test data: [[0] [1]]
predicted labels for data of indices [0 1] are: ['b' 'b']
merged predicted labels: ['b' 'b' '' '' '' '']
=====================================
iteration 2 :
train indices: [0 1 4 5]
train data: [[0] [1] [4] [5]]
test indices: [2 3]
test data: [[2] [3]]
predicted labels for data of indices [2 3] are: ['a' 'b']
merged predicted labels: ['b' 'b' 'a' 'b' '' '']
=====================================
iteration 3 :
train indices: [0 1 2 3]
train data: [[0] [1] [2] [3]]
test indices: [4 5]
test data: [[4] [5]]
predicted labels for data of indices [4 5] are: ['a' 'a']
merged predicted labels: ['b' 'b' 'a' 'b' 'a' 'a']
=====================================
predicted labels by cross_val_predict: ['b' 'b' 'a' 'b' 'a' 'a']
正如你可以从github上的cross_val_predict
代码中看到的cross_val_predict
,该函数计算预测的每个折叠并将它们连接起来。 预测是基于从其他折叠中学习的模型进行的。
以下是代码与代码中提供的示例的组合
from sklearn import datasets, linear_model
from sklearn.model_selection import cross_val_predict, KFold
from sklearn.metrics import accuracy_score
diabetes = datasets.load_diabetes()
X = diabetes.data[:400]
y = diabetes.target[:400]
cv = KFold(n_splits=20)
lasso = linear_model.Lasso()
y_pred = cross_val_predict(lasso, X, y, cv=cv)
accuracy = accuracy_score(y_pred.astype(int), y.astype(int))
print(accuracy)
# >>> 0.0075
最后,回答你的问题: “不,每次折叠的准确性不是平均的”
正如它在文档sklearn.model_selection.cross_val_predict中所写 :
将这些预测传递给评估指标是不合适的。 使用cross_validate来度量泛化错误。
我想添加一个快速简单的答案选项,高于之前开发人员的贡献。
如果你取F1的微观平均值,你将获得准确率。 例如,那将是:
from sklearn.model_selection import cross_val_score, cross_val_predict
from sklearn.metrics import precision_recall_fscore_support as score
y_pred = cross_val_predict(lm,df,y,cv=5)
precision, recall, fscore, support = score(y, y_pred, average='micro')
print(fscore)
这在数学上是有效的,因为微观平均值给出了混淆矩阵的加权平均值。
祝好运。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.