Jak korzystać z funkcji weryfikacji krzyżowej scikit-learn w klasyfikatorach z wieloma etykietami

Testuję różne klasyfikatory na zbiorze danych, w którym jest 5 klas, a każda instancja może należeć do jednej lub więcej z tych klas, więc w szczególności używam klasyfikatorów wieloznakowych scikit-learn sklearn.multiclass.OneVsRestClassifier. Teraz chcę przeprowadzić weryfikację krzyżową za pomocą sklearn.cross_validation.StratifiedKFold. Powoduje to następujący błąd:

Traceback (most recent call last):
  File "mlfromcsv.py", line 93, in <module>
    main()
  File "mlfromcsv.py", line 77, in main
    test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')
  File "mlfromcsv.py", line 44, in test_classifier_multilabel
    scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
  File "/usr/lib/pymodules/python2.7/sklearn/cross_validation.py", line 1046, in cross_val_score
    X, y = check_arrays(X, y, sparse_format='csr')
  File "/usr/lib/pymodules/python2.7/sklearn/utils/validation.py", line 144, in check_arrays
    size, n_samples))
ValueError: Found array with dim 5. Expected 98816

Należy pamiętać, że szkolenie klasyfikatora obejmującego wiele etykiet nie powoduje awarii, ale weryfikacja krzyżowa tak. Jak przeprowadzić weryfikację krzyżową tego klasyfikatora z wieloma etykietami?

Napisałem również drugą wersję, która rozkłada problem na szkolenie i weryfikację krzyżową 5 oddzielnych klasyfikatorów. To działa dobrze.

Oto mój kod. Ta funkcja test_classifier_multilabelpowoduje problemy. test_classifierto moja druga próba (podział problemu na 5 klasyfikatorów i 5 krzyżowych walidacji).

import numpy as np
from sklearn import *
from sklearn.multiclass import OneVsRestClassifier
from sklearn.neighbors import KNeighborsClassifier
import time

def test_classifier(clf, X, Y, description, jobs=1):
    print '=== Testing classifier {0} ==='.format(description)
    for class_idx in xrange(Y.shape[1]):
        print ' > Cross-validating for class {:d}'.format(class_idx)
        n_samples = X.shape[0]
        cv = cross_validation.StratifiedKFold(Y[:,class_idx], 3)
        t_start = time.clock()
        scores = cross_validation.cross_val_score(clf, X, Y[:,class_idx], cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
        t_end = time.clock();
        print 'Cross validation time: {:0.3f}s.'.format(t_end-t_start)
        str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
        str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
        print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
        for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
            mean_precision = scores[:,0,score_class].mean()
            std_precision = scores[:,0,score_class].std()
            mean_recall = scores[:,1,score_class].mean()
            std_recall = scores[:,1,score_class].std()
            mean_f1_score = scores[:,2,score_class].mean()
            std_f1_score = scores[:,2,score_class].std()
            support = scores[:,3,score_class].mean()
            print str_tbl_fmt.format(
                lbl,
                str_tbl_entry_fmt.format(mean_precision, std_precision),
                str_tbl_entry_fmt.format(mean_recall, std_recall),
                str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
                '{:0.2f}'.format(support))

def test_classifier_multilabel(clf, X, Y, description, jobs=1):
    print '=== Testing multi-label classifier {0} ==='.format(description)
    n_samples = X.shape[0]
    Y_list = [value for value in Y.T]
    print 'Y_list[0].shape:', Y_list[0].shape, 'len(Y_list):', len(Y_list)
    cv = cross_validation.StratifiedKFold(Y_list, 3)
    clf_ml = OneVsRestClassifier(clf)
    accuracy = (clf_ml.fit(X, Y).predict(X) != Y).sum()
    print 'Accuracy: {:0.2f}'.format(accuracy)
    scores = cross_validation.cross_val_score(clf_ml, X, Y_list, cv=cv, score_func=metrics.precision_recall_fscore_support, n_jobs=jobs)
    str_tbl_fmt = '{:>15s}{:>15s}{:>15s}{:>15s}{:>15s}'
    str_tbl_entry_fmt = '{:0.2f} +/- {:0.2f}'
    print str_tbl_fmt.format('', 'Precision', 'Recall', 'F1 score', 'Support')
    for (score_class, lbl) in [(0, 'Negative'), (1, 'Positive')]:
        mean_precision = scores[:,0,score_class].mean()
        std_precision = scores[:,0,score_class].std()
        mean_recall = scores[:,1,score_class].mean()
        std_recall = scores[:,1,score_class].std()
        mean_f1_score = scores[:,2,score_class].mean()
        std_f1_score = scores[:,2,score_class].std()
        support = scores[:,3,score_class].mean()
        print str_tbl_fmt.format(
            lbl,
            str_tbl_entry_fmt.format(mean_precision, std_precision),
            str_tbl_entry_fmt.format(mean_recall, std_recall),
            str_tbl_entry_fmt.format(mean_f1_score, std_f1_score),
            '{:0.2f}'.format(support))

def main():
    nfeatures = 13
    nclasses = 5
    ncolumns = nfeatures + nclasses

    data = np.loadtxt('./feature_db.csv', delimiter=',', usecols=range(ncolumns))

    print data, data.shape
    X = np.hstack((data[:,0:3], data[:,(nfeatures-1):nfeatures]))
    print 'X.shape:', X.shape
    Y = data[:,nfeatures:ncolumns]
    print 'Y.shape:', Y.shape

    test_classifier(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine', jobs=-1)
    test_classifier_multilabel(svm.LinearSVC(), X, Y, 'Linear Support Vector Machine')

if  __name__ =='__main__':
    main()

Używam Ubuntu 13.04 i scikit-learn 0.12. Moje dane mają postać dwóch tablic (X i Y), które mają kształty (98816, 4) i (98816, 5), tj. 4 cechy na instancję i 5 etykiet klas. Etykiety mają wartość 1 lub 0, wskazując członkostwo w tej klasie. Czy używam właściwego formatu, ponieważ nie widzę dużo dokumentacji na ten temat?

Próbkowanie warstwowe oznacza, że ​​rozkład członkostwa w klasie jest zachowany w próbkowaniu KFold. Nie ma to większego sensu w przypadku wielowarstwowego, w którym wektor docelowy może mieć więcej niż jedną etykietę na obserwację.

Istnieją dwie możliwe interpretacje stratyfikacji w tym sensie.

Dla etykiet, w których co najmniej jedna jest wypełniona, co daje unikalnych etykiet. Można wykonać próbkowanie warstwowe na każdym z unikatowych pojemników z etykietami.n ∑ i = 1 2 $n$$\sum\limits_{i=1}^n2^n$

Inną opcją jest próba segmentacji danych treningowych, aby masa prawdopodobieństwa rozmieszczenia wektorów znaczników była w przybliżeniu taka sama na fałdach. Na przykład

import numpy as np

np.random.seed(1)
y = np.random.randint(0, 2, (5000, 5))
y = y[np.where(y.sum(axis=1) != 0)[0]]


def proba_mass_split(y, folds=7):
    obs, classes = y.shape
    dist = y.sum(axis=0).astype('float')
    dist /= dist.sum()
    index_list = []
    fold_dist = np.zeros((folds, classes), dtype='float')
    for _ in xrange(folds):
        index_list.append([])
    for i in xrange(obs):
        if i < folds:
            target_fold = i
        else:
            normed_folds = fold_dist.T / fold_dist.sum(axis=1)
            how_off = normed_folds.T - dist
            target_fold = np.argmin(np.dot((y[i] - .5).reshape(1, -1), how_off.T))
        fold_dist[target_fold] += y[i]
        index_list[target_fold].append(i)
    print("Fold distributions are")
    print(fold_dist)
    return index_list

if __name__ == '__main__':
    proba_mass_split(y)

Aby uzyskać normalne szkolenie, testowanie indeksów generowanych przez KFold wymaga przepisania tego, aby zwracało np.setdiff1d każdego indeksu za pomocą np.arange (y.shape [0]), a następnie zawijało to w klasie metodą iteracyjną .

Możesz sprawdzić: na stratyfikacji danych z wieloma etykietami .

Tutaj autorzy najpierw mówią o prostym pomyśle pobierania próbek z unikalnych zestawów etykiet, a następnie wprowadzają nowe podejście do iteracyjnej stratyfikacji zestawów danych z wieloma etykietami.

Podejście iteracyjne stratyfikacji jest zachłanne.

Oto krótki przegląd iteratywnej stratyfikacji:

Najpierw dowiedzą się, ile przykładów należy przejść do każdego z k-foldów.

• $i$$j$$c_i^j$

• $l$$D^l$

• $D^l$$k$$c_k^j$$l$$l$

• $k$$c$

Główną ideą jest skupienie się na etykietach, które są rzadkie, ta idea pochodzi z hipotezy, że

„jeśli rzadkie etykiety nie są badane w pierwszej kolejności, mogą być dystrybuowane w niepożądany sposób i nie można tego później naprawić”

Aby zrozumieć, jak zerwane są więzi i inne szczegóły, zalecam przeczytanie artykułu. Co więcej, z sekcji eksperymentów mogę zrozumieć, że w zależności od stosunku zestaw etykiet / przykładów można chcieć użyć unikalnego zestawu etykiet lub tej proponowanej iteracyjnej metody stratyfikacji. Dla niższych wartości tego współczynnika rozkład etykiet na fałdach jest bliski lub lepszy w kilku przypadkach jako iteracyjne rozwarstwienie. W przypadku wyższych wartości tego wskaźnika wykazano, że iteracyjne rozwarstwienie zachowało lepsze rozkłady fałdów.