sklearn中的log_loss:标签二值化不支持多输出目标数据

Question

以下代码

from sklearn import metrics
import numpy as np
y_true = np.array([[0.2,0.8,0],[0.9,0.05,0.05]])
y_predict = np.array([[0.5,0.5,0.0],[0.5,0.4,0.1]])
metrics.log_loss(y_true, y_predict)

产生以下错误：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-32-24beeb19448b> in <module>()
----> 1 metrics.log_loss(y_true, y_predict)
~AppDataLocalcondacondaenvstensorflowlibsite-packagessklearnmetricsclassification.py in log_loss(y_true, y_pred, eps, normalize, sample_weight, labels)
1646         lb.fit(labels)
1647     else:
-> 1648         lb.fit(y_true)
1649 
1650     if len(lb.classes_) == 1:
~AppDataLocalcondacondaenvstensorflowlibsite-packagessklearnpreprocessinglabel.py in fit(self, y)
276         self.y_type_ = type_of_target(y)
277         if 'multioutput' in self.y_type_:
--> 278             raise ValueError("Multioutput target data is not supported with "
279                              "label binarization")
280         if _num_samples(y) == 0:
ValueError: Multioutput target data is not supported with label binarization

我很好奇为什么。我正在尝试重新阅读对数损失的定义，但找不到任何会使计算不正确的内容。

Answer 1

源代码表明metrics.log_loss不支持y_true中的概率。它只支持形状(n_samples, n_classes)的二进制指标，例如形状(n_samples,)的[[0,0,1],[1,0,0]]或类标签，例如[2, 0]。在后一种情况下，类标签将被单热编码，以便在计算对数损失之前看起来像指标矩阵。

在此块中：

lb = LabelBinarizer()
if labels is not None:
lb.fit(labels)
else:
lb.fit(y_true)

您正在到达lb.fit(y_true)，如果y_true不是全部1和/或0，则会失败。例如：

>>> import numpy as np
>>> from sklearn import preprocessing
>>> lb = preprocessing.LabelBinarizer()
>>> lb.fit(np.array([[0,1,0],[1,0,0]]))
LabelBinarizer(neg_label=0, pos_label=1, sparse_output=False)
>>> lb.fit(np.array([[0.2,0.8,0],[0.9,0.05,0.05]]))
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/home/imran/.pyenv/versions/anaconda3-4.4.0/lib/python3.6/site-packages/sklearn/preprocessing/label.py", line 278, in fit
raise ValueError("Multioutput target data is not supported with "
ValueError: Multioutput target data is not supported with label binarization

我会定义你自己的自定义对数损失函数：

def logloss(y_true, y_pred, eps=1e-15):
y_pred = np.clip(y_pred, eps, 1 - eps)
return -(y_true * np.log(y_pred)).sum(axis=1).mean()

以下是数据的输出：

>>> logloss(y_true, y_predict)
0.738961717153653

Answer 2

不，我不是在谈论二元分类。

除非另有说明，否则上面显示的y_true和y_predict不会被视为分类目标。

首先，因为它们是概率，因此它可以采用任何连续值，因此在scikit中被检测为回归。

其次，y_pred或y_true中的每个元素都是概率列表。这被检测为多输出。因此，"多输出目标"的错误。

您需要提供log_loss的实际标签，而不是y_true的概率(基本事实)。顺便问一下，你为什么有概率？？预测数据可以存在概率，但为什么实际数据存在？

为此，您需要首先通过将最高概率视为获胜者类来将y_true的概率转换为标签。

这可以由numpy.argmax使用以下代码完成：

import numpy as np
y_true = np.argmax(y_true, axis=1)
print(y_true)
Output:-  [0, 1]
# We will not do this the above for y_predict, because probabilities are allowed in it.
# We will use labels param to declare that we have actually 3 classes, 
# as evident from your probabilities.
metrics.log_loss(y_true, y_predict, labels=[0,1,2])
Output:-  0.6931471805599458

正如与@Imran讨论的那样，下面是一个y_true值不是 0 或 1 的示例。

• 此示例在此处将 log_loss 用于 3 类分类，其中 y 的值为 0、1 和 2 ：- http://scikit-learn.org/stable/auto_examples/calibration/plot_calibration_multiclass.html#sphx-glr-auto-examples-calibration-plot-calibration-multiclass-py

下面的示例简单地检查是否允许其他值：

y_true = np.array([0, 1, 2])
y_pred = np.array([[0.5,0.5,0.0],[0.5,0.4,0.1], [0.4,0.1,0.5]])
metrics.log_loss(y_true, y_pred)
Output:- 1.3040076684760489   (No error)