Scikit-learn predict_proba给出错误的答案

Question

这是如何知道Scikit-learn中predict_proba返回数组中表示哪些类的后续问题

在那个问题中，我引用了下面的代码:

>>> 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]])

我发现在这个问题中，这个结果表示点属于每个类的概率，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，如果解释正确的话，说明这个点可能是一个"橙色"(由于数据量很少，置信度相当低)。但从直觉上看，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。为了确保万无一失，我也测试了反向代码:

>>> zip(model.classes_, model.predict_proba([2,3,4])[0])
[('apple', 0.60705475211840931), ('orange', 0.39294524788159074)]

同样，显然不正确，但方向相反。

最后，我尝试用更远的点。

>>> 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)]

再一次，模型预测了错误的概率。但是，模型。预测函数是正确的!

>>> model.predict([1,1,1])[0]
'apple'

现在，我记得在文档中读到一些关于predict_proba对小数据集不准确的东西，尽管我似乎找不到它了。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函数的输出不一致?重要的是，我需要多大的数据集才能信任predict_proba的结果?

-------- UPDATE --------

好吧，所以我对此做了更多的"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)]

我应该如何安全地在我的代码中使用这个函数?至少，是否存在某个n值可以保证与model.predict的结果一致?

Answer 1

predict_probas正在使用libsvm的Platt缩放特征来校准概率，参见:

• sklearn.svm。Svc的函数predict_proba()在内部工作?

所以确实超平面预测和proba校准可能不一致，特别是如果你的数据集中只有2个样本。奇怪的是，libsvm为缩放概率所做的内部交叉验证在这种情况下没有(显式地)失败。也许这是个bug。要了解发生了什么，必须深入研究libsvm的Platt缩放代码。

Answer 2

如果您使用svm.LinearSVC()作为估计器，而.decision_function()(类似于svm。SVC的.predict_proba())，用于将结果从最可能的类别排序到最不可能的类别。这与.predict()函数一致。此外，这个估计器更快，并且与svm.SVC()

给出几乎相同的结果。

唯一的缺点可能是.decision_function()给出了一个有符号的值，比如-1到3之间的值，而不是一个概率值。但它与预测一致。

Answer 3

这里值得思考。我想我让predict_proba按原样工作了。请参阅下面的代码…

# Test data
TX = [[1,2,3], [4,5,6], [7,8,9], [10,11,12], [13,14,15], [16,17,18], [19,20,21], [22,23,24]]
TY = ['apple', 'orange', 'grape', 'kiwi', 'mango','peach','banana','pear']
VX2 = [[16,17,18], [19,20,21], [22,23,24], [13,14,15], [10,11,12], [7,8,9], [4,5,6], [1,2,3]]
VY2 = ['peach','banana','pear','mango', 'kiwi', 'grape', 'orange','apple']
VX2_df = pd.DataFrame(data=VX2) # convert to dataframe
VX2_df = VX2_df.rename(index=float, columns={0: "N0", 1: "N1", 2: "N2"})
VY2_df = pd.DataFrame(data=VY2) # convert to dataframe
VY2_df = VY2_df.rename(index=float, columns={0: "label"})
# NEW - in testing
def train_model(classifier, feature_vector_train, label, feature_vector_valid, valid_y, valid_x, is_neural_net=False):
    # fit the training dataset on the classifier
    classifier.fit(feature_vector_train, label)
    # predict the top n labels on validation dataset
    n = 5
    #classifier.probability = True
    probas = classifier.predict_proba(feature_vector_valid)
    predictions = classifier.predict(feature_vector_valid)
    #Identify the indexes of the top predictions
    #top_n_predictions = np.argsort(probas)[:,:-n-1:-1]
    top_n_predictions = np.argsort(probas, axis = 1)[:,-n:]
    #then find the associated SOC code for each prediction
    top_socs = classifier.classes_[top_n_predictions]
    #cast to a new dataframe
    top_n_df = pd.DataFrame(data=top_socs)
    #merge it up with the validation labels and descriptions
    results = pd.merge(valid_y, valid_x, left_index=True, right_index=True)
    results = pd.merge(results, top_n_df, left_index=True, right_index=True)
    conditions = [
        (results['label'] == results[0]),
        (results['label'] == results[1]),
        (results['label'] == results[2]),
        (results['label'] == results[3]),
        (results['label'] == results[4])]
    choices = [1, 1, 1, 1, 1]
    results['Successes'] = np.select(conditions, choices, default=0)
    print("Top 5 Accuracy Rate = ", sum(results['Successes'])/results.shape[0])
    print("Top 1 Accuracy Rate = ", metrics.accuracy_score(predictions, valid_y))
train_model(naive_bayes.MultinomialNB(), TX, TY, VX2, VY2_df, VX2_df)

输出:准确率= 1.0准确率= 1.0

不能让它工作为我自己的数据虽然:(