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表示属于每个类的点的概率,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...这个答案,如果正确解释,说这个点可能是一个“橙色”(由于数据量很小,信心相当低) . 但直觉上,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 . 只是为了确定,我也测试了反向:
>>> zip(model.classes_, model.predict_proba([2,3,4])[0])
[('apple', 0.60705475211840931), ('orange', 0.39294524788159074)]
再次,显然不正确,但在另一个方向 .
最后,我尝试了更远的点 .
>>> 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,该模型预测错误的概率 . 但是,model.predict功能正确!
>>> model.predict([1,1,1])[0]
'apple'
现在,我记得在docs中读到一些关于predict_proba对于小数据集不准确的东西,尽管我似乎无法再找到它 . 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?更重要的是,在我可以信任predict_proba的结果之前,数据集需要有多大?
-------- UPDATE --------
好吧,所以我做了一些更多的“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此功能?至少,是否有任何n的值可以保证与model.predict的结果一致?
4 回答
如果你使用
svm.LinearSVC()
作为估计,并且.decision_function()
(类似于svm.SVC的.predict_proba())用于将结果从最可能的类排序到最不可能的类 . 这与.predict()
函数一致 . 此外,这个估算器更快,并且svm.SVC()
给出几乎相同的结果你唯一的缺点可能是
.decision_function()
给出了一个有符号的值,比如介于-1和3而不是概率值 . 但它同意预测 .predict_probas
正在使用libsvm的Platt缩放功能来调用概率,请参阅:事实上,超平面预测和问题校准可能不一致,特别是如果您的数据集中只有2个样本 . 奇怪的是,在这种情况下,libsvm用于扩展概率的内部交叉验证不会(明确地)失败 . 也许这是一个错误 . 人们不得不深入研究libsvm的Platt缩放代码以了解正在发生的事情 .
这里有思想的食物 . 我想我确实让predict_proba按原样工作 . 请看下面的代码......
输出:前5个准确率= 1.0前1个准确率= 1.0
无法让它为我自己的数据工作:(
对于predict_proba实际上做了什么,有一些混乱 . 它不像 Headers 所暗示的那样预测概率,而是输出距离 . 在苹果vs橙色示例0.39097541,0.60902459中,最短距离0.39097541是苹果类 . 这是反直觉的 . 你看的概率最高,但并非如此 .
混淆的另一个原因源于predict_proba确实匹配硬标签,而不是类别的顺序,从0..n顺序 . Scikit似乎改变了类,但可以映射它们 .
下面是它的工作原理 .
预测标签[2 0 1 0 4]
除了第三节课以外什么都不配 . 根据以cm为单位的预测标签,预测出0级,实际等级为0 argmax(pred_prob) . 但是,它映射到
所以找到第二堂课
让我们再来一次 . 看看错误分类结果,其中实际的lebel 4,根据cm预测为1 .
这些是我的0.02 .