Sklearn:在GridSearchCV中评估OneVsRestClassifier的每个分类器的性能

Question

我正在处理OneVsRestClassifier和SVC的多标签分类，

from sklearn.datasets import make_multilabel_classification
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.grid_search import GridSearchCV
L=3
X, y = make_multilabel_classification(n_classes=L, n_labels=2,
                                  allow_unlabeled=True,
                                  random_state=1, return_indicator=True)    
model_to_set = OneVsRestClassifier(SVC())
parameters = {
    "estimator__C": [1,2,4,8],
    "estimator__kernel": ["poly","rbf"],
    "estimator__degree":[1, 2, 3, 4],
}
model_tunning = GridSearchCV(model_to_set, param_grid=parameters,
                             scoring='f1')
model_tunning.fit(X, y)
print model_tunning.best_score_
print model_tunning.best_params_
#0.855175822314
#{'estimator__kernel': 'poly', 'estimator__C': 1, 'estimator__degree': 3}

第一个问题

0.85代表的数字是什么？它是L分类器中得分最高的还是平均分的？同样，参数集是否代表L分类器中得分最高的人？

第二个问题

基于这样一个事实，如果我是对的，OneVsRestClassifier实际上为每个标签构建了L分类器，人们可以期望访问或观察每个标签的性能。但是，在上面的示例中，如何从GridSearchCV对象中获取L分数？

编辑

为了简化问题并帮助自己更多地了解OneVsRestClassifier，在调整模型之前，

model_to_set.fit(X,y)
gp = model_to_set.predict(X) # the "global" prediction
fp = model_to_set.estimators_[0].predict(X) # the first-class prediction
sp = model_to_set.estimators_[1].predict(X) # the second-class prediction
tp = model_to_set.estimators_[2].predict(X) # the third-class prediction

可以证明，gp.T[0]==fp、gp.T[1]==sp和gp.T[2]==tp。因此，"全局"预测只是单个预测L"顺序"，第二个问题就解决了。

但是，如果一个元分类器OneVsRestClassifier包含L个分类器，GridSearchCV怎么能只返回一个最佳分数，对应于 4*2*4 组参数之一，对于具有L分类器的元分类器OneVsRestClassifier？

如能看到任何评论，将不胜感激。

Answer 1

GridSearchCV从

参数值创建网格，它将OneVsRestClassifier评估为原子分类器(即 GridSearchCV不知道这个元分类器里面有什么(

第一：0.85 是参数("estimator__C", "estimator__kernel", "estimator__degree")的所有可能组合(16 种组合，4*2*4(中OneVsRestClassifier的最佳分数，这意味着GridSearchCV评估 16 个(同样，仅在这种特殊情况下(可能的OneVsRestClassifier每个都包含 L SVC 的。一个OneVsRestClassifier中的所有 L 分类器都具有相同的参数值(但它们中的每一个都在学习从 L 中识别自己的类(

即从集合

{OneVsRestClassifier(SVC(C=1, kernel="poly", degree=1)),
 OneVsRestClassifier(SVC(C=1, kernel="poly", degree=2)),
 ...,
 OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=3)),
 OneVsRestClassifier(SVC(C=8, kernel="rbf", degree=4))}

它选择一个得分最高的一个。

model_tunning.best_params_这里表示OneVsRestClassifier(SVC(((的参数，它将通过这些参数实现model_tunning.best_score_。您可以从model_tunning.best_estimator_属性中获得最佳OneVsRestClassifier。

第二：没有现成的代码可以从OneVsRestClassifier中获取 L 分类器的单独分数，但您可以查看OneVsRestClassifier.fit方法的实现，或者采取这个(应该:)工作(：

# Here X, y - your dataset
one_vs_rest = model_tunning.best_estimator_
yT = one_vs_rest.label_binarizer_.transform(y).toarray().T
# Iterate through all L classifiers
for classifier, is_ith_class in zip(one_vs_rest.estimators_, yT):
    print(classifier.score(X, is_ith_class))

Answer 2

受到@Olologin的回答的启发，我意识到 0.85 是通过L预测获得的 f1 分数(在本例中(的最佳加权平均值。在下面的代码中，我使用 f1 分数的宏观平均值通过内部测试评估模型：

# Case A, inspect F1 score using the meta-classifier
F_A = f1_score(y, model_tunning.best_estimator_.predict(X), average='macro')
# Case B, inspect F1 scores of each label (binary task) and collect them by macro average
F_B = []
for label, clc in zip(y.T, model_tunning.best_estimator_.estimators_):
    F_B.append(f1_score(label, clf.predict(X)))
F_B = mean(F_B)
F_A==F_B # True

因此，这意味着GridSearchCV应用 4*2*4 组参数之一来构建元分类器，而元分类器又使用其中一个L分类器对每个标签进行预测。结果将是L标签的 L f1 分数，每个标签都是二进制任务的性能。最后，通过取L f1分数的平均值(宏观或加权平均值，由f1_score中的参数指定(获得单个分数。

然后，GridSearchCV在 4*2*4 参数集中选择最佳平均 f1 分数，在本例中为 0.85。

虽然将包装器用于多标签问题很方便，但它只能使用用于构建L分类器的相同参数集来最大化平均 f1 分数。如果要单独优化每个标签的性能，似乎必须在不使用包装器的情况下构建L分类器。

Answer 3

至于你的第二个问题，你可能想GridSearchCV与scikit-multilearn的BinaryCorrelation分类器一起使用。像OneVsRestClassifier一样，二进制相关性创建L单标签分类器，每个标签一个。对于每个标签，如果标签存在，则训练数据为 1，如果不存在，则训练数据为 0。选择最好的分类器集是 GridSearchCV 属性best_estimator_ 中的BinaryRelevance类实例。用于预测概率浮点数使用BinaryRelevance对象的predict_proba方法。可以在scikit-multilearn文档中找到一个模型选择示例。

在您的情况下，我将运行以下代码：

from skmultilearn.problem_transform import BinaryRelevance
from sklearn.model_selection import GridSearchCV
import sklearn.metrics
model_to_set = BinaryRelevance(SVC())
parameters = {
    "classifier__estimator__C": [1,2,4,8],
    "classifier__estimator__kernel": ["poly","rbf"],
    "classifier__estimator__degree":[1, 2, 3, 4],
}
model_tunning = GridSearchCV(model_to_set, param_grid=parameters,
                             scoring='f1')
model_tunning.fit(X, y)
# for some X_test testing set
predictions = model_tunning.best_estimator_.predict(X_test)
# average=None gives per label score
metrics.f1_score(y_test, predictions, average = None) 

请注意，多标签分类的方法比二元相关性:)你可以在madjarov的比较或我最近的论文中找到它们。