如何使用 sklearn 的 SGDClassifier 获得前 3 名或前 N 名的预测

Question

from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
from sklearn import linear_model
arr=['dogs cats lions','apple pineapple orange','water fire earth air', 'sodium potassium calcium']
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(arr)
feature_names = vectorizer.get_feature_names()
Y = ['animals', 'fruits', 'elements','chemicals']
T=["eating apple roasted in fire and enjoying fresh air"]
test = vectorizer.transform(T)
clf = linear_model.SGDClassifier(loss='log')
clf.fit(X,Y)
x=clf.predict(test)
#prints: elements

在上面的代码中，clf.predict()只打印一个来自列表X的样本的最佳预测。我对列表X中特定样本的前3个预测感兴趣，我知道函数predict_proba/predict_log_proba返回列表Y中每个特征的所有概率列表，但它必须排序，然后在获得前3个结果之前与列表Y中的特征相关联。有什么直接有效的方法吗?

Answer 1

没有内置函数，但是

怎么了?

probs = clf.predict_proba(test)
best_n = np.argsort(probs, axis=1)[-n:]

?

根据其中一条评论的建议，应该将[-n:]更改为[:,-n:]

probs = clf.predict_proba(test)
best_n = np.argsort(probs, axis=1)[:,-n:]

Answer 2

我知道这个问题已经得到了回答…但我可以再加一点…

#both preds and truths are same shape m by n (m is number of predictions and n is number of classes)
def top_n_accuracy(preds, truths, n):
    best_n = np.argsort(preds, axis=1)[:,-n:]
    ts = np.argmax(truths, axis=1)
    successes = 0
    for i in range(ts.shape[0]):
      if ts[i] in best_n[i,:]:
        successes += 1
    return float(successes)/ts.shape[0]

它既快又脏，但我觉得它很有用。一个可以添加自己的错误检查等。

Answer 3

希望Andreas能帮上忙。当loss='hinge'时，Predict_probs不可用。当loss='hinge'时获取top n class:

calibrated_clf = CalibratedClassifierCV(clfSDG, cv=3, method='sigmoid')
model = calibrated_clf.fit(train.data, train.label)
probs = model.predict_proba(test_data)
sorted( zip( calibrated_clf.classes_, probs[0] ), key=lambda x:x[1] )[-n:]

不确定是否clfSDG。预测和校准clf。Predict总是会预测同一个类

Answer 4

argsort给出的结果按升序排列，如果您想避免不寻常的循环或混乱，您可以使用一个简单的技巧。

probs = clf.predict_proba(test)
best_n = np.argsort(-probs, axis=1)[:, :n]

否定概率将从最小变为最大，因此您可以按降序取top-n的结果

Answer 5

正如@FredFoo在如何在NumPy数组中获得N个最大值的索引中所描述的那样?一个更快的方法是使用argpartition .

新的NumPy版本(1.8及以上)有一个名为argpartition的函数对于这个。要获取四个最大元素的索引，执行

>>> a = np.array([9, 4, 4, 3, 3, 9, 0, 4, 6, 0])
>>> a array([9, 4, 4, 3, 3, 9, 0, 4, 6, 0])
>>> ind = np.argpartition(a, -4)[-4:]
>>> ind array([1, 5, 8, 0])
>>> a[ind] array([4, 9, 6, 9])

与argsort不同，在最坏的情况下，该函数以线性时间运行，但返回的索引不是线性时间从a[ind]的求值结果可以看出。如果你也需要，然后排序:

>>> ind[np.argsort(a[ind])] array([1, 8, 5, 0]) 

以这种方式将top-k元素排序需要O(n + k log k)时间。

Answer 6

我编写了一个函数，它输出一个包含前n个预测及其概率的数据帧，并将其与类名联系起来。希望这是有帮助的!

def return_top_n_pred_prob_df(n, model, X_test, column_name):
  predictions = model.predict_proba(X_test)
  preds_idx = np.argsort(-predictions) 
  classes = pd.DataFrame(model.classes_, columns=['class_name'])
  classes.reset_index(inplace=True)
  top_n_preds = pd.DataFrame()
  for i in range(n):
        top_n_preds[column_name + '_prediction_{}_num'.format(i)] =     [preds_idx[doc][i] for doc in range(len(X_test))]
    top_n_preds[column_name + '_prediction_{}_probability'.format(i)] = [predictions[doc][preds_idx[doc][i]] for doc in range(len(X_test))]
    top_n_preds = top_n_preds.merge(classes, how='left', left_on= column_name + '_prediction_{}_num'.format(i), right_on='index')
    top_n_preds = top_n_preds.rename(columns={'class_name': column_name + '_prediction_{}'.format(i)})
    try: top_n_preds.drop(columns=['index', column_name + '_prediction_{}_num'.format(i)], inplace=True) 
    except: pass
  return top_n_preds