Testuję różne klasyfikatory na zbiorze danych, w którym jest 5 klas, a każda instancja może należeć do jednej lub więcej z tych klas, więc w szczególności używam klasyfikatorów wieloznakowych scikit-learn sklearn.multiclass.OneVsRestClassifier
. Teraz chcę przeprowadzić weryfikację krzyżową za pomocą sklearn.cross_validation.StratifiedKFold
. Powoduje to następujący błąd:
Traceback (most recent call last):
File "mlfromcsv.py", line 93, in <module>
main()
File "mlfromcsv.py", line 77, in main
test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')
File "mlfromcsv.py", line 44, in test_classifier_multilabel
scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
File "/usr/lib/pymodules/python2.7/sklearn/cross_validation.py", line 1046, in cross_val_score
X, y = check_arrays(X, y, sparse_format='csr')
File "/usr/lib/pymodules/python2.7/sklearn/utils/validation.py", line 144, in check_arrays
size, n_samples))
ValueError: Found array with dim 5. Expected 98816
Należy pamiętać, że szkolenie klasyfikatora obejmującego wiele etykiet nie powoduje awarii, ale weryfikacja krzyżowa tak. Jak przeprowadzić weryfikację krzyżową tego klasyfikatora z wieloma etykietami?
Napisałem również drugą wersję, która rozkłada problem na szkolenie i weryfikację krzyżową 5 oddzielnych klasyfikatorów. To działa dobrze.
Oto mój kod. Ta funkcja test_classifier_multilabel
powoduje problemy. test_classifier
to moja druga próba (podział problemu na 5 klasyfikatorów i 5 krzyżowych walidacji).
import numpy as np
from sklearn import *
from sklearn.multiclass import OneVsRestClassifier
from sklearn.neighbors import KNeighborsClassifier
import time
def test_classifier(clf, X, Y, description, jobs=1):
print '=== Testing classifier {0} ==='.format(description)
for class_idx in xrange(Y.shape[1]):
print ' > Cross-validating for class {:d}'.format(class_idx)
n_samples = X.shape[0]
cv = cross_validation.StratifiedKFold(Y[:,class_idx], 3)
t_start = time.clock()
scores = cross_validation.cross_val_score(clf, X, Y[:,class_idx], cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
t_end = time.clock();
print 'Cross validation time: {:0.3f}s.'.format(t_end-t_start)
str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
mean_precision = scores[:,0,score_class].mean()
std_precision = scores[:,0,score_class].std()
mean_recall = scores[:,1,score_class].mean()
std_recall = scores[:,1,score_class].std()
mean_f1_score = scores[:,2,score_class].mean()
std_f1_score = scores[:,2,score_class].std()
support = scores[:,3,score_class].mean()
print str_tbl_fmt.format(
lbl,
str_tbl_entry_fmt.format(mean_precision, std_precision),
str_tbl_entry_fmt.format(mean_recall, std_recall),
str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
'{:0.2f}'.format(support))
def test_classifier_multilabel(clf, X, Y, description, jobs=1):
print '=== Testing multi-label classifier {0} ==='.format(description)
n_samples = X.shape[0]
Y_list = [value for value in Y.T]
print 'Y_list[0].shape:', Y_list[0].shape, 'len(Y_list):', len(Y_list)
cv = cross_validation.StratifiedKFold(Y_list, 3)
clf_ml = OneVsRestClassifier(clf)
accuracy = (clf_ml.fit(X, Y).predict(X) != Y).sum()
print 'Accuracy: {:0.2f}'.format(accuracy)
scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
mean_precision = scores[:,0,score_class].mean()
std_precision = scores[:,0,score_class].std()
mean_recall = scores[:,1,score_class].mean()
std_recall = scores[:,1,score_class].std()
mean_f1_score = scores[:,2,score_class].mean()
std_f1_score = scores[:,2,score_class].std()
support = scores[:,3,score_class].mean()
print str_tbl_fmt.format(
lbl,
str_tbl_entry_fmt.format(mean_precision, std_precision),
str_tbl_entry_fmt.format(mean_recall, std_recall),
str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
'{:0.2f}'.format(support))
def main():
nfeatures = 13
nclasses = 5
ncolumns = nfeatures + nclasses
data = np.loadtxt('./feature_db.csv', delimiter=',', usecols=range(ncolumns))
print data, data.shape
X = np.hstack((data[:,0:3], data[:,(nfeatures-1):nfeatures]))
print 'X.shape:', X.shape
Y = data[:,nfeatures:ncolumns]
print 'Y.shape:', Y.shape
test_classifier(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine', jobs=-1)
test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')
if __name__ =='__main__':
main()
Używam Ubuntu 13.04 i scikit-learn 0.12. Moje dane mają postać dwóch tablic (X i Y), które mają kształty (98816, 4) i (98816, 5), tj. 4 cechy na instancję i 5 etykiet klas. Etykiety mają wartość 1 lub 0, wskazując członkostwo w tej klasie. Czy używam właściwego formatu, ponieważ nie widzę dużo dokumentacji na ten temat?
OneVsRestClassifier
akceptuje tablicę 2D (np.y
W twoim przykładowym kodzie) czy krotkę list etykiet klas? Pytam, ponieważ właśnie spojrzałem na przykład klasyfikacji wielu etykiet na scikit-learn i zobaczyłem, żemake_multilabel_classification
funkcja zwraca krotkę list etykiet klas, np. Przy([2], [0], [0, 2], [0]...)
użyciu 3 klas?metrics.confusion_matrix
produkuje macierze zamieszania 2x2. Czy któryś z wskaźników obsługuje klasyfikatory obejmujące wiele etykiet?Możesz sprawdzić: na stratyfikacji danych z wieloma etykietami .
Tutaj autorzy najpierw mówią o prostym pomyśle pobierania próbek z unikalnych zestawów etykiet, a następnie wprowadzają nowe podejście do iteracyjnej stratyfikacji zestawów danych z wieloma etykietami.
Podejście iteracyjne stratyfikacji jest zachłanne.
Oto krótki przegląd iteratywnej stratyfikacji:
Najpierw dowiedzą się, ile przykładów należy przejść do każdego z k-foldów.
Główną ideą jest skupienie się na etykietach, które są rzadkie, ta idea pochodzi z hipotezy, że
Aby zrozumieć, jak zerwane są więzi i inne szczegóły, zalecam przeczytanie artykułu. Co więcej, z sekcji eksperymentów mogę zrozumieć, że w zależności od stosunku zestaw etykiet / przykładów można chcieć użyć unikalnego zestawu etykiet lub tej proponowanej iteracyjnej metody stratyfikacji. Dla niższych wartości tego współczynnika rozkład etykiet na fałdach jest bliski lub lepszy w kilku przypadkach jako iteracyjne rozwarstwienie. W przypadku wyższych wartości tego wskaźnika wykazano, że iteracyjne rozwarstwienie zachowało lepsze rozkłady fałdów.
źródło