随机森林：预测 vs predict_proba

Posted 2023-03-12

【中文标题】随机森林：预测 vs predict_proba

【英文标题】：random forest: predict vs predict_proba

【发布时间】：2021-06-23 05:31:03

【问题描述】：

我正在研究一个多类、高度不平衡的分类问题。我使用随机森林作为基础分类器。

我必须在考虑多个标准（指标：precision, recall conf_matrix, roc_auc）的评估集上给出模型性能报告。

模型火车：

rf = RandomForestClassifier(()
rf.fit(train_X, train_y)

为了获得精确/召回和混淆矩阵，我喜欢：

pred = rf.predict(test_X)
precision = metrics.precision_score(y_test, pred)
recall  = metrics.recall_score(y_test, pred)
f1_score = metrics.f1_score(y_test, pred) 
confusion_matrix = metrics.confusion_matrix(y_test, pred)

很好，但是计算roc_auc 需要类的预测概率而不是类标签。为此，我必须进一步这样做：

y_prob = rf.predict_proba(test_X)
roc_auc = metrics.roc_auc_score(y_test, y_prob)

但是我在这里担心rf.predict() 首先产生的结果可能与rf.predict_proba() 不一致，所以我报告的roc_auc 分数。我知道多次调用predict 会产生完全相同的结果，但我担心predict 然后predict_proba 可能会产生略有不同的结果，因此不适合与上述指标一起讨论。

如果是这种情况，有没有办法控制这种情况，确保predict() 用于确定预测标签的类概率在我调用predict_proab 时完全相同？

【问题讨论】：

作为一般评论，对于高度不平衡的分类，准确率、精度、召回率和 f1 分数是评估模型的较差指标。如果您想评估您的模型在不同类别之间的区分程度，请关注 roc-auc。如果您正在尝试针对业务问题进行优化并知道错误的成本（例如：将 A 标记为 B 比将 B 标记为 A 差 10 倍），请关注f_beta_score。

【参考方案1】：

predict_proba() 和predict() 是一致的。事实上，predict 使用 predict_proba 内部可以看到here in the source code