Scikit-learn predict_proba 给出错误答案

Posted 2023-03-12

【中文标题】Scikit-learn predict_proba 给出错误答案

【英文标题】：Scikit-learn predict_proba gives wrong answers

【发布时间】：2013-06-05 18:06:46

【问题描述】：

这是How to know what classes are represented in return array from predict_proba in Scikit-learn的后续问题

在那个问题中，我引用了以下代码：

>>> import sklearn
>>> sklearn.__version__
'0.13.1'
>>> from sklearn import svm
>>> model = svm.SVC(probability=True)
>>> X = [[1,2,3], [2,3,4]] # feature vectors
>>> Y = ['apple', 'orange'] # classes
>>> model.fit(X, Y)
>>> model.predict_proba([1,2,3])
array([[ 0.39097541,  0.60902459]])

我在那个问题中发现这个结果代表了该点属于每个类的概率，按照 model.classes_ 给出的顺序_

>>> zip(model.classes_, model.predict_proba([1,2,3])[0])
[('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]

所以......如果解释正确，这个答案表示该点可能是“橙色”（由于数据量很小，置信度相当低）。但直观地说，这个结果显然是不正确的，因为给出的点与“apple”的训练数据相同。可以肯定的是，我也测试了相反的结果：

>>> zip(model.classes_, model.predict_proba([2,3,4])[0])
[('apple', 0.60705475211840931), ('orange', 0.39294524788159074)]

同样，显然不正确，但方向相反。

最后，我用更远的点试了一下。

>>> X = [[1,1,1], [20,20,20]] # feature vectors
>>> model.fit(X, Y)
>>> zip(model.classes_, model.predict_proba([1,1,1])[0])
[('apple', 0.33333332048410247), ('orange', 0.66666667951589786)]

同样，模型预测了错误的概率。但是，model.predict 函数做对了！

>>> model.predict([1,1,1])[0]
'apple'

现在，我记得在文档中读过一些关于 predict_proba 对于小型数据集不准确的内容，但我似乎无法再次找到它。这是预期的行为，还是我做错了什么？如果这是预期的行为，那么为什么 predict 和 predict_proba 函数不同意输出？重要的是，数据集需要多大才能信任 predict_proba 的结果？

-------- 更新--------

好的，所以我对此做了一些“实验”：predict_proba 的行为严重依赖于“n”，但不是以任何可预测的方式！

>>> def train_test(n):
...     X = [[1,2,3], [2,3,4]] * n
...     Y = ['apple', 'orange'] * n
...     model.fit(X, Y)
...     print "n =", n, zip(model.classes_, model.predict_proba([1,2,3])[0])
... 
>>> train_test(1)
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
>>> for n in range(1,10):
...     train_test(n)
... 
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
n = 2 [('apple', 0.98437355278112448), ('orange', 0.015626447218875527)]
n = 3 [('apple', 0.90235408180319321), ('orange', 0.097645918196806694)]
n = 4 [('apple', 0.83333299908143665), ('orange', 0.16666700091856332)]
n = 5 [('apple', 0.85714254878984497), ('orange', 0.14285745121015511)]
n = 6 [('apple', 0.87499969631893626), ('orange', 0.1250003036810636)]
n = 7 [('apple', 0.88888844127886335), ('orange', 0.11111155872113669)]
n = 8 [('apple', 0.89999988018127364), ('orange', 0.10000011981872642)]
n = 9 [('apple', 0.90909082368682159), ('orange', 0.090909176313178491)]

我应该如何在我的代码中安全地使用这个函数？至少，是否有任何 n 值可以保证与 model.predict 的结果一致？

【参考方案1】：

predict_probas 正在使用 libsvm 的 Platt 缩放功能来调用概率，请参阅：

How does sklearn.svm.svc's function predict_proba() work internally?

因此，超平面预测和概率校准确实可能不一致，尤其是当您的数据集中只有 2 个样本时。奇怪的是，在这种情况下，libsvm 为缩放概率所做的内部交叉验证并没有（显式地）失败。也许这是一个错误。必须深入研究 libsvm 的 Platt 缩放代码才能了解发生了什么。

【讨论】：

只是补充一点：原则上，交叉验证应该与大 n 的决策边界一致。

【参考方案2】：

如果您使用svm.LinearSVC() 作为估计器，并使用.decision_function()（类似于 svm.SVC 的 .predict_proba()）将结果从最可能的类排序到最不可能的类。这与.predict() 功能一致。另外，这个估计器速度更快，并且与svm.SVC() 给出几乎相同的结果

对您来说唯一的缺点可能是.decision_function() 给出了一个介于 -1 和 3 之间的有符号值，而不是概率值。但它与预测一致。

【讨论】：

这很有趣 Bilal...我实际上并不需要概率来实现我的目的，只需要排序。我想这就是我正在寻找的答案。

是的，很有趣。我有同样的问题并使用这种方法进行订购。它给了我比 predict_proba() 更好的结果

请注意，LinearSVC() 将产生与 SVC(kernel='linear') 类似的预测，但不会产生与 SVC(kernel='rbf') 类似的预测，后者是 SVC 的默认内核。

给我与 predict_proba 相同的结果

据说.decision_function() 产生置信度。对我来说，它不在[-1,3] 中。见***.com/questions/26478000/…

【参考方案3】：

这里值得深思。我想我实际上让 predict_proba 按原样工作。请看下面的代码...

# Test data
TX = [[1,2,3], [4,5,6], [7,8,9], [10,11,12], [13,14,15], [16,17,18], [19,20,21], [22,23,24]]
TY = ['apple', 'orange', 'grape', 'kiwi', 'mango','peach','banana','pear']

VX2 = [[16,17,18], [19,20,21], [22,23,24], [13,14,15], [10,11,12], [7,8,9], [4,5,6], [1,2,3]]
VY2 = ['peach','banana','pear','mango', 'kiwi', 'grape', 'orange','apple']

VX2_df = pd.DataFrame(data=VX2) # convert to dataframe
VX2_df = VX2_df.rename(index=float, columns=0: "N0", 1: "N1", 2: "N2")
VY2_df = pd.DataFrame(data=VY2) # convert to dataframe
VY2_df = VY2_df.rename(index=float, columns=0: "label")

# NEW - in testing
def train_model(classifier, feature_vector_train, label, feature_vector_valid, valid_y, valid_x, is_neural_net=False):

    # fit the training dataset on the classifier
    classifier.fit(feature_vector_train, label)

    # predict the top n labels on validation dataset
    n = 5
    #classifier.probability = True
    probas = classifier.predict_proba(feature_vector_valid)
    predictions = classifier.predict(feature_vector_valid)

    #Identify the indexes of the top predictions
    #top_n_predictions = np.argsort(probas)[:,:-n-1:-1]
    top_n_predictions = np.argsort(probas, axis = 1)[:,-n:]

    #then find the associated SOC code for each prediction
    top_socs = classifier.classes_[top_n_predictions]

    #cast to a new dataframe
    top_n_df = pd.DataFrame(data=top_socs)

    #merge it up with the validation labels and descriptions
    results = pd.merge(valid_y, valid_x, left_index=True, right_index=True)
    results = pd.merge(results, top_n_df, left_index=True, right_index=True)

    conditions = [
        (results['label'] == results[0]),
        (results['label'] == results[1]),
        (results['label'] == results[2]),
        (results['label'] == results[3]),
        (results['label'] == results[4])]
    choices = [1, 1, 1, 1, 1]
    results['Successes'] = np.select(conditions, choices, default=0)

    print("Top 5 Accuracy Rate = ", sum(results['Successes'])/results.shape[0])
    print("Top 1 Accuracy Rate = ", metrics.accuracy_score(predictions, valid_y))

train_model(naive_bayes.MultinomialNB(), TX, TY, VX2, VY2_df, VX2_df)

输出： 前 5 名准确率 = 1.0 Top 1 准确率 = 1.0

虽然无法让它为我自己的数据工作:(