我正在使用 OneVsRestClassifier
和 SVC
处理多标签分类,
from sklearn.datasets import make_multilabel_classification
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.grid_search import GridSearchCV
L=3
X, y = make_multilabel_classification(n_classes=L, n_labels=2,
allow_unlabeled=True,
random_state=1, return_indicator=True)
model_to_set = OneVsRestClassifier(SVC())
parameters = {
"estimator__C": [1,2,4,8],
"estimator__kernel": ["poly","rbf"],
"estimator__degree":[1, 2, 3, 4],
}
model_tunning = GridSearchCV(model_to_set, param_grid=parameters,
scoring='f1')
model_tunning.fit(X, y)
print model_tunning.best_score_
print model_tunning.best_params_
#0.855175822314
#{'estimator__kernel': 'poly', 'estimator__C': 1, 'estimator__degree': 3}
第一个问题
0.85
代表什么?它是 L
分类器中最好的分数还是平均分数?同样,参数集是否代表 L
分类器中的最佳得分者?
第二个问题
如果我是对的,OneVsRestClassifier
确实为每个标签构建了 L
分类器,因此可以期望访问或观察每个标签的性能.但是,在上面的示例中,如何从 GridSearchCV
对象中获取 L
分数呢?
编辑
为了简化问题并帮助自己更多地了解OneVsRestClassifier
,在调整模型之前,
model_to_set.fit(X,y)
gp = model_to_set.predict(X) # the "global" prediction
fp = model_to_set.estimators_[0].predict(X) # the first-class prediction
sp = model_to_set.estimators_[1].predict(X) # the second-class prediction
tp = model_to_set.estimators_[2].predict(X) # the third-class prediction
可以证明gp.T[0]==fp
, gp.T[1]==sp
and gp.T[2 ]==tp
。因此,“全局”预测只是“顺序”L
个体预测,第二个问题已解决。
但令我困惑的是,如果一个元分类器 OneVsRestClassifier
包含 L
分类器,GridSearchCV
怎么可能只返回一个最好的分数,对应于 4*2*4 组参数中的一组,对于具有 L
分类器的元分类器 OneVsRestClassifier
?
如有任何评论,我们将不胜感激。
最佳答案
GridSearchCV
根据您的参数值创建网格,它将您的 OneVsRestClassifier
评估为原子分类器(即 GridSearchCV
不知道其中的内容元分类器)
第一:0.85 是 OneVsRestClassifier
在参数 ("estimator__C", "estimator__kernel", "estimator__degree")
,这意味着 GridSearchCV
评估 16(同样,它仅在这种特殊情况下)可能的 OneVsRestClassifier
每个都包含 L 个 SVC
。一个 OneVsRestClassifier
中的所有 L 个分类器都具有相同的参数值(但它们每个都在学习从 L 个可能的 L 中识别它们自己的类)
即来自
{OneVsRestClassifier(SVC(C=1, kernel="poly", degree=1)),
OneVsRestClassifier(SVC(C=1, kernel="poly", degree=2)),
...,
OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=3)),
OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=4))}
它选择得分最高的一个。
model_tunning.best_params_
表示 OneVsRestClassifier(SVC()) 的参数,它将实现 model_tunning.best_score_
。
您可以从 model_tunning.best_estimator_
属性中获得最好的 OneVsRestClassifier
。
其次:没有现成的代码可以从 OneVsRestClassifier
获取 L 分类器的单独分数,但您可以查看 OneVsRestClassifier.fit< 的实现
方法,或采用此方法(应该有效 :)):
# Here X, y - your dataset
one_vs_rest = model_tunning.best_estimator_
yT = one_vs_rest.label_binarizer_.transform(y).toarray().T
# Iterate through all L classifiers
for classifier, is_ith_class in zip(one_vs_rest.estimators_, yT):
print(classifier.score(X, is_ith_class))
关于python - 学习 : Evaluate performance of each classifier of OneVsRestClassifier inside GridSearchCV,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33783374/