![](/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?
使用如下代碼中所示的k -fold方法的cross_val_predict
(參見doc ,v0.18)是否計算每次折疊的准確度並最終平均它們?
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!
根據交叉驗證文檔頁面, cross_val_predict
不會返回任何分數,只會返回基於此處描述的特定策略的標簽:
函數cross_val_predict具有與cross_val_score類似的接口, 但是對於輸入中的每個元素,返回當它在測試集中時為該元素獲得的預測 。 只能使用將所有元素分配給測試集一次的交叉驗證策略(否則會引發異常)。
因此,通過調用accuracy_score(labels, ypred)
您只需計算上述特定策略與真實標簽相比預測的標簽的准確度分數 。 這再次在同一文檔頁面中指定:
然后可以使用這些預測來評估分類器:
predicted = cross_val_predict(clf, iris.data, iris.target, cv=10) metrics.accuracy_score(iris.target, predicted)
注意,該計算的結果可能與使用cross_val_score獲得的結果略有不同,因為元素以不同方式分組。
如果您需要不同折疊的准確度分數,您應該嘗試:
>>> scores = cross_val_score(clf, X, y, cv=cv)
>>> scores
array([ 0.96..., 1. ..., 0.96..., 0.96..., 1. ])
然后對於所有折疊的平均准確度使用scores.mean()
:
>>> print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
Accuracy: 0.98 (+/- 0.03)
為了計算Cohen Kappa coefficient
和混淆矩陣,我假設你的意思是真實標簽和每個折疊的預測標簽之間的kappa系數和混淆矩陣:
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將數據拆分為k
部分,然后進行i=1..k
迭代:
i'th
部分作為測試數據和其他所有部分作為訓練數據 i'th
) i'th
部分(測試數據) 在每次迭代中,預測了i'th
部分數據的標簽。 最后,cross_val_predict合並所有部分預測的標簽並將它們作為最終結果返回。
此代碼逐步顯示此過程:
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)
結果是:
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']
正如你可以從github上的cross_val_predict
代碼中看到的cross_val_predict
,該函數計算預測的每個折疊並將它們連接起來。 預測是基於從其他折疊中學習的模型進行的。
以下是代碼與代碼中提供的示例的組合
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,回答你的問題: “不,每次折疊的准確性不是平均的”
正如它在文檔sklearn.model_selection.cross_val_predict中所寫 :
將這些預測傳遞給評估指標是不合適的。 使用cross_validate來度量泛化錯誤。
我想添加一個快速簡單的答案選項,高於之前開發人員的貢獻。
如果你取F1的微觀平均值,你將獲得准確率。 例如,那將是:
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)
這在數學上是有效的,因為微觀平均值給出了混淆矩陣的加權平均值。
祝好運。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.