scikit学习伪分类器的理论基础是什么

Question

根据我阅读的文档，可以使用伪分类器来测试分类算法。

这个分类器作为一个简单的基线很有用，可以与其他分类器进行比较（真实的）分类器。不要把它用于实际问题。

当伪分类器使用分层方法时，它会做什么。我知道文档摘要上说：

通过尊重训练集的类生成预测分配

有人能给我一个更理论的解释，为什么这是分类器性能的证明吗？。

Answer 1

伪分类器为您提供了"基线"性能的衡量标准，即即使只是猜测，也应该达到的成功率。

假设您希望确定给定对象是否拥有某个属性。如果您分析了大量这些对象，并发现90%的对象包含目标属性，那么猜测该对象的每个未来实例都具有目标属性，则猜测正确的可能性为90%。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该执行的最小值提供下限值。在上面讨论的假设中，您希望您的分类器获得90%以上的准确率，因为90%是即使是"伪"分类器也能获得的成功率。

如果使用上述数据训练具有stratified参数的伪分类器，则该分类器将预测其遇到的每个对象具有目标属性的概率为90%。这与用most_frequent参数训练伪分类器不同，因为后者会猜测所有未来对象都具有目标属性。这里有一些代码可以说明：

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]) )

Answer 2

当正类为少数（即不平衡类）时，伪分类器的主要动机是F-score。该分类器用于实际分类器的健全性测试。实际上，伪分类器完全忽略了输入数据。在"最频繁"方法的情况下，它会检查最频繁标签的出现情况。

Answer 3

使用Doc为了说明DummyClassifier，首先让我们创建一个不平衡的数据集：

>>>
>>> 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，让我们比较SVC和most_frequency:的准确性

>>>
>>> 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并没有比伪分类器做得更好。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...

我们看到准确率几乎提高到了100%。所以这更好。