sklearn - 具有多个分数的交叉验证

Question

我想计算不同分类器的交叉验证测试的 recall、precision 和 f-measure。 scikit-learn 带有 cross_val_score 但不幸的是这种方法不会返回多个值。

我可以通过调用 3 次 cross_val_score 来计算此类度量，但这并不高效。有没有更好的解决方案？

现在我写了这个函数：

from sklearn import metrics

def mean_scores(X, y, clf, skf):

    cm = np.zeros(len(np.unique(y)) ** 2)
    for i, (train, test) in enumerate(skf):
        clf.fit(X[train], y[train])
        y_pred = clf.predict(X[test])
        cm += metrics.confusion_matrix(y[test], y_pred).flatten()

    return compute_measures(*cm / skf.n_folds)

def compute_measures(tp, fp, fn, tn):
     """Computes effectiveness measures given a confusion matrix."""
     specificity = tn / (tn + fp)
     sensitivity = tp / (tp + fn)
     fmeasure = 2 * (specificity * sensitivity) / (specificity + sensitivity)
     return sensitivity, specificity, fmeasure

它基本上总结了混淆矩阵的值，一旦你有 false positive、false positive 等，你可以轻松计算召回率、精度等......但我仍然不喜欢这个解决方案:)

Answer 1

现在在 scikit-learn 中：cross_validate 是一个可以在多个指标上评估模型的新函数。 GridSearchCV 和 RandomizedSearchCV (doc) 也提供此功能。 一直是merged recently in master，将在 v0.19 中提供。

来自scikit-learn doc：

cross_validate 函数在两个方面与cross_val_score 不同： 1. 它允许指定多个评估指标。 2. 它返回一个字典，其中包含训练分数、拟合时间和分数时间以及测试分数。

典型用例如下：

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_validate
iris = load_iris()
scoring = ['precision', 'recall', 'f1']
clf = SVC(kernel='linear', C=1, random_state=0)
scores = cross_validate(clf, iris.data, iris.target == 1, cv=5,
                        scoring=scoring, return_train_score=False)

另见this example。

Answer 2

您提出的解决方案完全代表cross_val_score 的功能，完全适合您的情况。这似乎是正确的方法。

cross_val_score 接受参数n_jobs=，使评估可并行化。如果这是您需要的，您应该考虑使用 sklearn.externals.joblib.Parallel 将您的 for 循环替换为并行循环。

在更一般的说明中，正在讨论 scikit learn 的问题跟踪器中的多个分数问题。可以找到一个有代表性的线程here。因此，虽然看起来未来版本的 scikit-learn 将允许记分器的多个输出，但到目前为止，这是不可能的。

hacky（免责声明！）解决此问题的方法是稍微更改cross_validation.py 中的代码，方法是删除对您的分数是否为数字的条件检查。但是，这个建议是非常依赖版本的，所以我将它呈现为版本0.14。

1) 在 IPython 中，输入from sklearn import cross_validation，然后输入cross_validation??。记下显示的文件名并在编辑器中打开它（您可能需要 root 权限）。

2) 你会找到this code，我已经在其中标记了相关行 (1066)。它说

    if not isinstance(score, numbers.Number):
        raise ValueError("scoring must return a number, got %s (%s)"
                         " instead." % (str(score), type(score)))

需要删除这些行。为了跟踪曾经存在的内容（如果您想改回来），请将其替换为以下内容

    if not isinstance(score, numbers.Number):
        pass
        # raise ValueError("scoring must return a number, got %s (%s)"
        #                 " instead." % (str(score), type(score)))

如果您的记分员返回的内容没有让cross_val_score 在其他地方窒息，这应该可以解决您的问题。如果是这种情况，请告诉我。

Answer 3

你可以用这个：

from sklearn import metrics
from multiscorer import MultiScorer
import numpy as np

scorer = MultiScorer({
    'F-measure' : (f1_score, {...}),
    'Precision' : (precision_score, {...}),
    'Recall' : (recall_score, {...})
})

...

cross_val_score(clf, X, target, scoring=scorer)
results = scorer.get_results()

for name in results.keys():
     print '%s: %.4f' % (name, np.average(results[name]) )

multiscorer的来源在Github

Answer 4

您可以使用以下代码通过在每个交叉验证步骤中仅拟合一次估算器来计算准确度、精确度、召回率和任何其他指标。

def get_true_and_pred_CV(estimator, X, y, n_folds, cv, params):
    ys = []
    for train_idx, valid_idx in cv:
        clf = estimator(**params)
        if isinstance(X, np.ndarray):
            clf.fit(X[train_idx], y[train_idx])
            cur_pred = clf.predict(X[valid_idx])
        elif isinstance(X, pd.DataFrame):
            clf.fit(X.iloc[train_idx, :], y[train_idx]) 
            cur_pred = clf.predict(X.iloc[valid_idx, :])
        else:
            raise Exception('Only numpy array and pandas DataFrame ' \
                            'as types of X are supported')

        ys.append((y[valid_idx], cur_pred))
    return ys


def fit_and_score_CV(estimator, X, y, n_folds=10, stratify=True, **params):
    if not stratify:
        cv_arg = sklearn.cross_validation.KFold(y.size, n_folds)
    else:
        cv_arg = sklearn.cross_validation.StratifiedKFold(y, n_folds)

    ys = get_true_and_pred_CV(estimator, X, y, n_folds, cv_arg, params)    
    cv_acc = map(lambda tp: sklearn.metrics.accuracy_score(tp[0], tp[1]), ys)
    cv_pr_weighted = map(lambda tp: sklearn.metrics.precision_score(tp[0], tp[1], average='weighted'), ys)
    cv_rec_weighted = map(lambda tp: sklearn.metrics.recall_score(tp[0], tp[1], average='weighted'), ys)
    cv_f1_weighted = map(lambda tp: sklearn.metrics.f1_score(tp[0], tp[1], average='weighted'), ys)

    # the approach below makes estimator fit multiple times
    #cv_acc = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='accuracy')
    #cv_pr_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='precision_weighted')
    #cv_rec_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='recall_weighted')   
    #cv_f1_weighted = sklearn.cross_validation.cross_val_score(algo, X, y, cv=cv_arg, scoring='f1_weighted')
    return {'CV accuracy': np.mean(cv_acc), 'CV precision_weighted': np.mean(cv_pr_weighted),
            'CV recall_weighted': np.mean(cv_rec_weighted), 'CV F1_weighted': np.mean(cv_f1_weighted)}

我经常使用这些函数而不是 cross_val_score 来计算多个统计数据。您可以根据需要更改质量指标。

Answer 5

如果您使用 multi-classes 查看multi-metrics，这可能会有所帮助。用最新的doc in scikit learn 0.19及以上；您可以使用度量函数传递您自己的字典；

custom_scorer = {'accuracy': make_scorer(accuracy_score),
                 'balanced_accuracy': make_scorer(balanced_accuracy_score),
                 'precision': make_scorer(precision_score, average='macro'),
                 'recall': make_scorer(recall_score, average='macro'),
                 'f1': make_scorer(f1_score, average='macro'),
                 }
scores = cross_validation.cross_val_score(clf, X_train, y_train,
        cv = 10, scoring = custom_scorer)