模型预测不在目标中的类（零数组）

Question

我已经使用 MultiLabelBinarizer 对我的目标变量进行了编码。然后我以这种方式从转换的结果中创建了一个新的 DataFrame

y_trans = pd.DataFrame(MultiLabelBinarizer().fit_transform(y))

这里是head()

    0   1   2   3   4   5   6   7   8   9   10  11  12  13  14  15  16  17
   -----------------------------------------------------------------------
0   0   0   0   0   0   0   0   0   0   1   0   0   0   1   0   0   0   0
1   0   0   0   0   0   0   0   0   0   1   0   0   0   1   0   0   0   0
2   0   0   0   0   0   0   0   0   0   1   0   0   0   1   0   0   0   0
3   0   0   0   0   0   0   1   0   0   0   0   0   0   0   0   0   0   0
4   0   0   0   0   0   0   1   0   0   0   0   0   0   0   0   0   0   0

我使用

创建训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X_trans, y_trans, random_state=0)

在拟合RandomForest 或KNN 后，预测X_test 变量会返回一个数组，其中一些预测是这样的

array([0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0])

编码的目标变量中不存在这样的类，因为

len(y_trans.where(y_trans == [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]).dropna())

实际上是 0。

我不明白为什么会这样。 Somewhat related question.

重现我的问题

我提供encoded features and labels 供下载。它们以二进制格式腌制。 从那里，重现我的错误的步骤很简单

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import pickle

X_trans = pickle.load(open('features.pkl', 'rb'))
y_trans = pickle.load(open('target.pkl', 'rb'))

X_train, X_test, y_train, y_test = train_test_split(X_trans, y_trans, random_state=0)

rfc = RandomForestClassifier(random_state=0)
rfc.fit(X_train, y_train)
print(rfc.predict(X_test)[1])

打印预测中的第二个值将返回[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

我的分类目标

我的目标是创建一个分类器，它可以预测至少一个“正确的类”，由条目中的 1 表示。 例如，y 的第一个条目是[0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0]。 我会考虑正确的

• [0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0]
• [0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0]

但这是一个评估问题，一旦预测正确，就会发生。正如我所说，不能有“空洞”的预测。有18个类，127个独特的组合，没有一个是[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]。

Sklearn examples 有同样的“问题”

此时，这个输出必须有意义。但我无法弄清楚。 注意：在这个例子中，使用的分类器是KNN，我显示的是RandomForest，但如果我使用KNN，我会遇到同样的问题。

from sklearn.datasets import make_multilabel_classification
from sklearn.multioutput import MultiOutputClassifier
from sklearn.neighbors import KNeighborsClassifier

X, y = make_multilabel_classification(n_classes=18, random_state=0)
clf = MultiOutputClassifier(KNeighborsClassifier()).fit(X, y)
clf.predict(X)[3]

>>> array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

分割成训练集和测试集时同样适用

from sklearn.datasets import make_multilabel_classification
from sklearn.multioutput import MultiOutputClassifier
from sklearn.neighbors import KNeighborsClassifier

X, y = make_multilabel_classification(n_classes=18, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0, test_size=0.2)
clf = MultiOutputClassifier(KNeighborsClassifier()).fit(X_train, y_train)
clf.predict(X_test)[8]

>>> array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

Answer 1

首先，感谢问题的质量。

我认为这里有几件事要解释：

• 您的分类目标：您需要定义自己的指标来衡量您所描述的内容。 （见make_scorer function in sklearn）。这是第一步，因为如果无法衡量改进是什么，就无法改进模型。
• 接下来，在训练模型时，您需要调整模型参数（称为超参数）以优化分数。为了快速解释，您选择一组参数，训练您的模型，并检查测试集上的分数。您通过修改参数进行迭代以优化测试分数。一个简单的方法是使用sklearn's GridSearchCV。
• 现在，回答您的问题：您的模型独立地预测您的 18 个类别中的每一个样本是否属于此类。这就是为什么在某些情况下，您可能会拥有一个似乎不属于任何类的样本。

你能做些什么呢？

• 首先，您需要检查您的模型是否正确拟合，并调整超参数以提高分数。目前，它严重过度拟合（训练分数远高于测试分数）。您可能会发现数据中没有足够的信号使其无法正常工作。
• 也许其他模型可以帮助您获得更好的结果，具体取决于数据的拓扑结构（您需要尝试并查看）
• 您还可以使用 rfc.predict_proba 获取每个类别的预测概率：这将允许您设置不同于默认 0.5 的阈值，甚至选择更高的阈值。