如何根据sklearn中的预测概率对实例进行排名
Posted
技术标签:
【中文标题】如何根据sklearn中的预测概率对实例进行排名【英文标题】:How to rank the instances based on prediction probability in sklearn 【发布时间】:2019-12-29 09:09:18 【问题描述】:我正在使用 sklearn 的支持向量机 (SVC
) 如下使用 10-fold cross validation
获取我的数据集中实例的预测概率。
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf=SVC(class_weight="balanced")
proba = cross_val_predict(clf, X, y, cv=10, method='predict_proba')
print(clf.classes_)
print(proba[:,1])
print(np.argsort(proba[:,1]))
我对@987654324@ 和print(np.argsort(proba[:,1]))
的预期输出如下,其中第一个表示类1
的所有实例的预测概率,第二个表示对应的每个概率的数据实例的索引。
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.1 0. 0. 0.
0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.
0.2 0. 0. 0. 0. 0.1 0. 0. 0. 0. 0. 0. 0. 0. 0.9 1. 0.7 1.
1. 1. 1. 0.7 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 0.9 0.9 0.1 1.
0.6 1. 1. 1. 0.9 0. 1. 1. 1. 1. 1. 0.4 0.9 0.9 1. 1. 1. 0.9
1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0.9 0.
0.1 0. 0. 0. 0. 0. 0. 0. 0.1 0. 0. 0.8 0. 0.1 0. 0.1 0. 0.1
0.3 0.2 0. 0.6 0. 0. 0. 0.6 0.4 0. 0. 0. 0.8 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0. ]
[ 0 113 112 111 110 109 107 105 104 114 103 101 100 77 148 49 48 47
46 102 115 117 118 147 146 145 144 143 142 141 140 139 137 136 135 132
131 130 128 124 122 120 45 44 149 42 15 26 16 17 18 19 20 21
22 43 23 24 35 34 33 32 31 30 29 28 27 37 13 25 9 10
7 6 5 4 3 8 11 2 1 38 39 40 12 108 116 41 121 70
14 123 125 36 127 126 134 83 72 133 129 52 57 119 138 89 76 50
84 106 85 69 68 97 98 66 65 64 63 62 61 67 60 58 56 55
54 53 51 59 71 73 75 96 95 94 93 92 91 90 88 87 86 82
81 80 79 78 99 74]
我的第一个问题是;似乎SVC
不支持predict_proba
。因此,如果我改用proba = cross_val_predict(clf, X, y, cv=10, method='decision_function')
是否正确?
我的第二个问题是如何打印预测概率的类别?我试过clf_classes_
。但是,我收到一条错误消息AttributeError: 'SVC' object has no attribute 'classes_'
。有没有办法解决这个问题?
注意:我想通过交叉验证获得所有实例的预测概率。
编辑:
@KRKirov 的回答很棒。但是,我不需要GridSearchCV
,只想使用普通的cross validation
。因此,我将他的代码改成了cross_val_score
。现在,我收到错误 NotFittedError: Call fit before prediction
。
有没有办法解决这个问题?
如果需要,我很乐意提供更多详细信息。
【问题讨论】:
你的最终目标是什么?对实例进行排名是什么意思?decision_function
可以用来排名,但不是概率估计
@ShihabShahriar 我想获得分类器的最高预测。例如前 200 个预测。 :)
【参考方案1】:
Cross_val predict 是一个函数,它不会将分类器(在您的情况下为 SVC)作为其输出的一部分返回。因此,您无法访问后者及其方法和属性。
要执行交叉验证和计算概率,请使用 scikit-learn 的 GridSearchCV 或 RandomizedSearchCV。如果您只想要一个简单的交叉验证,请传递一个只有一个参数的参数字典。一旦有了概率,您就可以使用 pandas 或 numpy 根据特定类(下例中的 1)对它们进行排序。
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
from sklearn import datasets
import pandas as pd
import numpy as np
iris = datasets.load_iris()
X = iris.data
y = iris.target
parameters = 'kernel':(['rbf'])
svc = SVC(gamma="scale", probability=True)
clf = GridSearchCV(svc, parameters, cv=10)
clf.fit(iris.data, iris.target)
probabilities = pd.DataFrame(clf.predict_proba(X), columns=clf.classes_)
probabilities['Y'] = iris.target
probabilities.columns.name = 'Classes'
probabilities.head()
# Sorting in ascending order by the probability of class 1.
# Showing only the first five rows.
# Note that all information (indices, values) is in one place
probabilities.sort_values(1).head()
Out[49]:
Classes 0 1 2 Y
100 0.006197 0.000498 0.993305 2
109 0.009019 0.001023 0.989959 2
143 0.006664 0.001089 0.992248 2
105 0.010763 0.001120 0.988117 2
144 0.006964 0.001295 0.991741 2
# Alternatively using numpy
indices = np.argsort(probabilities.values[:,1])
proba = probabilities.values[indices, :]
print(indices)
[100 109 143 105 144 122 135 118 104 107 102 140 130 117 120 136 132 131
128 124 125 108 22 148 112 13 115 14 32 37 33 114 35 40 16 4
42 103 2 0 6 36 139 19 145 38 17 47 48 28 49 15 46 129
10 21 7 27 12 39 8 11 1 3 9 45 34 116 29 137 5 31
26 30 141 43 18 111 25 20 41 44 24 23 147 134 113 101 142 110
146 121 149 83 123 127 77 119 133 126 138 70 72 106 52 76 56 86
68 63 54 98 50 84 66 85 78 91 73 51 57 58 93 55 87 75
65 79 90 64 61 60 97 74 94 59 96 81 88 53 95 99 89 80
71 82 69 92 67 62]
# Showing only the first five values of the sorted probabilities for class 1
print(proba[:5, 1])
[0.00049785 0.00102258 0.00108851 0.00112034 0.00129501]
【讨论】:
感谢您的出色回答。我也想得到概率的对应指数。早些时候我把它当作np.argsort(proba[:,1])
。由于代码已更改,我不确定如何获取该数据。请让我知道你的建议:)
此外,我还想像我在代码中所做的那样执行交叉验证。如果您也可以添加它,将不胜感激:)
cross_val_predict 只返回一个预测类的 numpy 数组。如果您想进行交叉验证并使用分类器和最佳参数作为输出,请使用 scikit-learn 的 GridSearchCV 或 RandomizedSearchCV。
用 GridSearchCV 代替 cross_val_predict 查看更新的答案。
我的最后更新。我希望这能解决问题。当然,您可以对概率进行四舍五入,以便以适合您的格式获取它们。以上是关于如何根据sklearn中的预测概率对实例进行排名的主要内容,如果未能解决你的问题,请参考以下文章
sklearn logisticregression模型怎么返回预测的概率