![](/img/trans.png)
[英]Difference between accuracy_score in scikit-learn and accuracy in Keras
[英]Difference between weighted accuracy metric of Keras and Scikit-learn
大家嘿嘿
我正在写我的毕业论文,我面临一个类别贡献不平衡的二元分类问题。 我的负面(“0”)标签大约是正面(“1”)标签的 10 倍。 出于这个原因,我不仅考虑了观察精度和 ROC-AUC,还考虑了加权/平衡精度和 Precision-Recall-AUC。
我已经在 GitHub ( https://github.com/keras-team/keras/issues/12991 ) 上问过这个问题,但问题还没有得到解答,所以我认为这里的这个平台可能是更好的地方!
在自定义回调中对验证集进行一些计算时,我或多或少偶然地注意到,加权精度总是与我使用sklearn.metrics.accuracy_score() 的结果不同。
使用 Keras,加权精度必须在model.compile() 中声明,并且是每个 epoch 之后 logs{} 字典中的一个键(并且还通过 CSVLogger 回调写入日志文件或历史对象)或返回作为model.evaluate()列表中的值,
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'],
weighted_metrics=['accuracy'])
我使用 Sklearn.metrics 函数class_weight.compute_sample_weight()并在class_weight.compute_class_weight()的帮助下,根据训练集的类别贡献计算 val_sample_weights 向量。
cls_weights = class_weight.compute_class_weight('balanced', np.unique(y_train._values),
y_train._values)
cls_weight_dict = {0: cls_weights[0], 1: cls_weights[1]}
val_sample_weights = class_weight.compute_sample_weight(cls_weight_dict, y_test._values)
在model.fit() 中,我将这个向量与验证数据一起传递给sklearn.metrics.accuracy_score()我将它传递给参数名称sample_weight以在相同的基础上比较结果。
model_output = model.fit(x_train, y_train, epochs=500, batch_size=32, verbose=1,
validation_data=(x_test, y_test, val_sample_weights))
此外,我从几个简单的例子中推导出了 Scitkit-learn 如何计算加权准确度的方程,它似乎是通过以下方程计算的(这对我来说似乎很合理):
TP、TN、FP 和 FN 是混淆矩阵中报告的值,w_p 和 w_n 分别是正类和负类的类权重。
可以在此处找到一个简单的测试示例:
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.balanced_accuracy_score.html
只是为了完整性, sklearn.metrics.accuracy_score(..., sample_weight=)返回与sklearn.metrics.balanced_accuracy_score()相同的结果。
我搜索了一个简单的例子来使问题易于重现,即使这里的类不平衡较弱(1:2 不是 1:10)。 它基于 Keras 的介绍性教程,可在此处找到:
https://towardsdatascience.com/k-as-in-keras-simple-classification-model-a9d2d23d5b5a
皮马印第安纳州发病糖尿病数据集将按照上面的链接从主页 Machine Learning Mastery 的创建者 Jason Brownlee 的存储库中下载。 但我想它也可以从其他各种网站下载。
所以最后这里的代码:
from keras.layers import Dense, Dropout
from keras.models import Sequential
from keras.regularizers import l2
import pandas as pd
import numpy as np
from sklearn.utils import class_weight
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
file = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/' \
'pima-indians-diabetes.data.csv'
# Load csv data from file to data using pandas
data = pd.read_csv(file, names=['pregnancies', 'glucose', 'diastolic', 'triceps', 'insulin',
'bmi', 'dpf', 'age', 'diabetes'])
# Process data
data.head()
x = data.drop(columns=['diabetes'])
y = data['diabetes']
# Split into train and test
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=0)
# define a sequential model
model = Sequential()
# 1st hidden layer
model.add(Dense(100, activation='relu', input_dim=8, kernel_regularizer=l2(0.01)))
model.add(Dropout(0.3))
# 2nd hidden layer
model.add(Dense(100, activation='relu', kernel_regularizer=l2(0.01)))
model.add(Dropout(0.3))
# Output layer
model.add(Dense(1, activation='sigmoid'))
# Compilation with weighted metrics
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'],
weighted_metrics=['accuracy'])
# Calculate validation _sample_weights_ based on the class distribution of train labels and
# apply it to test labels using Sklearn
cls_weights = class_weight.compute_class_weight('balanced', np.unique(y_train._values),
y_train._values)
cls_weight_dict = {0: cls_weights[0], 1: cls_weights[1]}
val_sample_weights = class_weight.compute_sample_weight(cls_weight_dict, y_test._values)
# Train model
model_output = model.fit(x_train, y_train, epochs=500, batch_size=32, verbose=1,
validation_data=(x_test, y_test, val_sample_weights))
# Predict model
y_pred = model.predict(x_test, batch_size=32, verbose=1)
# Classify predictions based on threshold at 0.5
y_pred_binary = (y_pred > 0.5) * 1
# Sklearn metrics
sklearn_accuracy = accuracy_score(y_test, y_pred_binary)
sklearn_weighted_accuracy = accuracy_score(y_test, y_pred_binary,
sample_weight=val_sample_weights)
# metric_list has 3 entries: [0] val_loss weighted by val_sample_weights, [1] val_accuracy
# [2] val_weighted_accuracy
metric_list = model.evaluate(x_test, y_test, batch_size=32, verbose=1,
sample_weight=val_sample_weights)
print('sklearn_accuracy=%.3f' %sklearn_accuracy)
print('sklearn_weighted_accuracy=%.3f' %sklearn_weighted_accuracy)
print('keras_evaluate_accuracy=%.3f' %metric_list[1])
print('keras_evaluate_weighted_accuracy=%.3f' %metric_list[2])
例如我得到:
sklearn_accuracy=0.792
sklearn_weighted_accuracy=0.718
keras_evaluate_accuracy=0.792
keras_evaluate_weighted_accuracy=0.712
“未加权”的准确度值是相同的,对于 Sklearn 和 Keras 都是一样的。 差异并不是很大,但随着数据集变得更加不平衡,差异会变得更大。 例如,对于我的任务,它总是彼此相差 5% 左右!
也许我遗漏了一些东西,它应该是这样的,但无论如何,Keras 和 Sklearn 提供不同的值令人困惑,尤其是将整个 class_weights 和 sample_weights 视为一个难以进入的话题。 不幸的是,我对 Keras 不太深入,无法自己搜索 Keras 代码。
我真的很感激收到任何答案!
我重复了您的确切玩具示例,实际上发现sklearn
和keras
确实给出了相同的结果。 我重复了 5 次实验,以确保它不是偶然的,而且每次的结果都是相同的。 例如,对于其中一次运行:
sklearn_accuracy=0.831
sklearn_weighted_accuracy=0.800
keras_evaluate_accuracy=0.831
keras_evaluate_weighted_accuracy=0.800
仅供参考,我正在使用sklearn
和keras
版本:
0.20.3
2.3.1
分别。 请参阅此 google colab 示例: https ://colab.research.google.com/drive/1b5pqbp9TXfKiY0ucEIngvz6_Tc4mo_QX
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.