python中适合稀疏高维特征的理想分类器（带有分层分类）

Posted 2023-03-12

【中文标题】python中适合稀疏高维特征的理想分类器（带有分层分类）

【英文标题】：Ideal classifiers in python to fit sparse high dimensional features (with hierarchical classification)

【发布时间】：2013-07-17 12:30:59

【问题描述】：

这是我的任务：

我有一组分层类（例如“对象/建筑/建筑/住宅建筑/房屋/农舍”）——并且我编写了两种分类方式：

独立处理每个类别（整体使用一个模型/分类器）

使用每个节点代表一个决策的树（根代表“object/”，每个级别都会降低通用性），以及每个节点的特定模型/分类器（这里，我认为 c（通常为 3）的最高概率从每个节点出来，并将概率向下传播（对日志概率求和）到叶子），然后选择最高的。

我还必须引入一种方法来激励更深入的树（因为它可能会停止在对象/架构/建筑（如果有相应的训练数据的话）），并使用任意试错过程具体如何决定（我对此感到不舒服）。：

    if numcategories == 4:
        tempscore +=1
    elif numcategories ==5:
        tempscore +=1.3
    elif numcategories ==6:
        tempscore +=1.5
    elif numcategories >6:
        tempscore +=2

---

还需要注意的是，我有大约 29 万个训练样本和约 15 万个（当前/大部分）布尔特征（用 1.0 或 0.0 表示）——尽管它非常稀疏，所以我使用 scipy 的稀疏矩阵。此外，还有大约 6500 个独立的类（尽管方法 2 中每个节点要少得多）

使用方法 1，使用 scikit 的 sgdclassifier(loss=hinge)，我得到大约 75-76% 的准确率，使用 linearsvc，我得到大约 76-77%（虽然它慢了 8-9 倍）。

但是，对于第二种方法（我认为可以/应该最终表现更好），这些分类器都不会产生真实的概率，虽然我试图衡量他们的 .decision_functions() 产生的置信度分数，但它没有运行良好（精度为 10-25%）。因此，我切换到logisticregression()，这让我获得了大约 62-63% 的准确率。此外，基于 NB 的分类器似乎表现不佳。

最后，我有两个问题：

是否有更好的分类器（比 scikit 的 logisticregression()）在 python 中实现（可以是 scikit 或 mlpy/nltk/orange/etc），可以（i）处理稀疏矩阵，（ii）产生（接近）概率，以及 (iii) 使用多类分类？ 有什么方法可以更好地处理方法二吗？ 2.a.具体来说，是否有一些方法可以更好地激励分类器在树的下方产生结果？

【问题讨论】：

(1) 有没有更好的分类器——你试过优化 scikit-learn 的参数吗？标准化特征、标准化样本和惩罚参数可以对分类准确性产生很大影响。至于（2），也许一些自定义结构化学习器会做得更好。

嗨 larsmans-- (1) 是的，但我想使用比逻辑回归更好的东西（在我意识到我需要一些接近的东西之前，我对 linearsvc 很幸运（比 logit 好得多）到“真实”的概率）（2）同意

【参考方案1】：

您可以尝试一些想法：

对特征应用一些嵌入技术，以避免出现大的稀疏矩阵。但是，它并不适合所有情况，也需要大量工作 使用带有自定义损失函数的 XGBoost。在这个损失函数中，您基本上可以应用您所描述的关于预测类的深度的逻辑，并为模型提供更频繁地预测更深类的动力。此外，考虑到特征之间的相关性，基于树的模型将使您受益