scikit-learn 虚拟分类器的理论基础是啥？

Posted 2023-02-23

【中文标题】scikit-learn 虚拟分类器的理论基础是啥？

【英文标题】：What is the theorical foundation for scikit-learn dummy classifier?scikit-learn 虚拟分类器的理论基础是什么？

【发布时间】：2015-06-09 02:51:57

【问题描述】：

documentation 我读到一个虚拟分类器可用于根据分类算法对其进行测试。

此分类器可用作与其他分类器进行比较的简单基线 （真实的）分类器。不要将其用于实际问题。

虚拟分类器在使用分层方法时会做什么。我知道文档说：

通过尊重训练集的类别来生成预测 分布。

谁能给我一个更理论的解释，说明为什么这是分类器性能的证明？。

【参考方案1】：

虚拟分类器为您提供“基线”性能的衡量标准——即即使只是猜测，也应该期望达到的成功率。

假设您希望确定给定对象是否具有某种属性。如果您分析了大量这些对象并发现其中 90% 包含目标属性，那么猜测该对象的每个未来实例都具有目标属性使您有 90% 的猜测正确率。以这种方式构建您的猜测相当于在您引用的文档中使用most_frequent 方法。

由于许多机器学习任务都试图提高（例如）分类任务的成功率，因此评估基线成功率可以为分类器应优于的最小值提供一个底值。在上面讨论的假设中，您希望您的分类器获得超过 90% 的准确率，因为 90% 是即使是“虚拟”分类器也可以使用的成功率。

如果使用上面讨论的数据训练具有stratified 参数的虚拟分类器，该分类器将预测它遇到的每个对象都有 90% 的概率拥有目标属性。这与使用 most_frequent 参数训练虚拟分类器不同，因为后者会猜测 所有 未来对象都具有目标属性。这里有一些代码来说明：

from sklearn.dummy import DummyClassifier
import numpy as np

two_dimensional_values = []
class_labels           = []

for i in xrange(90):
    two_dimensional_values.append( [1,1] )
    class_labels.append(1)

for i in xrange(10):
    two_dimensional_values.append( [0,0] )
    class_labels.append(0)

#now 90% of the training data contains the target property
X = np.array( two_dimensional_values )
y = np.array( class_labels )

#train a dummy classifier to make predictions based on the most_frequent class value
dummy_classifier = DummyClassifier(strategy="most_frequent")
dummy_classifier.fit( X,y )

#this produces 100 predictions that say "1"
for i in two_dimensional_values:
    print( dummy_classifier.predict( [i]) )

#train a dummy classifier to make predictions based on the class values
new_dummy_classifier = DummyClassifier(strategy="stratified")
new_dummy_classifier.fit( X,y )

#this produces roughly 90 guesses that say "1" and roughly 10 guesses that say "0"
for i in two_dimensional_values:
    print( new_dummy_classifier.predict( [i]) )

【讨论】：

感谢您的解释。那么分层方法呢？这种方法的基础是什么？有什么参考吗？。

我已经详细说明并添加了一些代码来说明。我希望这会有所帮助！

太棒了。谢谢你的解释！

我的荣幸。我很高兴它有所帮助。

uniform 是如何工作的？无论训练集还是测试集的分布，它是否只是以相等的概率输出 0 或 1？

【参考方案2】：

Dummy Classifier 的一个主要动机是 F-score，当正类占少数（即不平衡类）时。该分类器用于实际分类器的健全性测试。实际上，虚拟分类器完全忽略了输入数据。在“最频繁”方法的情况下，它检查最频繁标签的出现。

【参考方案3】：

使用Doc 来说明 DummyClassifier，首先让我们创建一个不平衡数据集：

>>>
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> iris = load_iris()
>>> X, y = iris.data, iris.target
>>> y[y != 1] = -1
>>> X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

接下来我们对比一下SVC和most_frequent的准确率：

>>>
>>> from sklearn.dummy import DummyClassifier
>>> from sklearn.svm import SVC
>>> clf = SVC(kernel='linear', C=1).fit(X_train, y_train)
>>> clf.score(X_test, y_test) 
0.63...

>>> clf = DummyClassifier(strategy='most_frequent',random_state=0)
>>> clf.fit(X_train, y_train)
DummyClassifier(constant=None, random_state=0, strategy='most_frequent')
>>> clf.score(X_test, y_test)  
0.57...

我们看到 SVC 的表现并不比虚拟分类器好多少。现在，让我们更改内核：

>>>
>>> clf = SVC(gamma='scale', kernel='rbf', C=1).fit(X_train, y_train)
>>> clf.score(X_test, y_test)  
0.97...

我们看到准确率提高到几乎 100%。所以这个比较好。

【讨论】：

这并没有提供问题的答案，这是关于它背后的理论；欢迎演示，但它们应伴随所要求的理论方面，而不是单独提供。