使用分类器链的多标签分类#

此示例说明如何使用 ClassifierChain 以解决多标签分类问题。

解决此类任务的最天真的策略是在每个标签（即目标变量的每列）上独立训练二进制分类器。在预测时，使用二进制分类器的集合来组装多任务预测。

该策略不允许对不同任务之间的关系进行建模。的 ClassifierChain 是实现更高级策略的元估计器（即采用内部估计器的估计器）。二进制分类器的集合用作链，其中链中分类器的预测用作在新标签上训练下一个分类器的特征。因此，这些额外的功能允许每个链利用标签之间的相关性。

的 Jaccard similarity 链的得分往往大于集合独立基础模型的得分。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

加载数据集#

对于这个示例，我们使用 yeast 数据集包含2，417个数据点，每个数据点包含103个特征和14个可能的标签。每个数据点至少有一个标签。作为基线，我们首先为14个标签中的每个标签训练逻辑回归分类器。为了评估这些分类器的性能，我们在已完成的测试集上进行预测，并计算每个样本的Jaccard相似性。

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split

# Load a multi-label dataset from https://www.openml.org/d/40597
X, Y = fetch_openml("yeast", version=4, return_X_y=True)
Y = Y == "TRUE"
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

试衣模特#

我们拟合 LogisticRegression 包裹 OneVsRestClassifier 和多个的集合 ClassifierChain .

由OneVsRestClassifier包装的LogisticRegulation#

由于默认情况 LogisticRegression 无法处理具有多个目标的数据，我们需要使用 OneVsRestClassifier .对模型进行匹配后，我们计算Jaccard相似度。

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import jaccard_score
from sklearn.multiclass import OneVsRestClassifier

base_lr = LogisticRegression()
ovr = OneVsRestClassifier(base_lr)
ovr.fit(X_train, Y_train)
Y_pred_ovr = ovr.predict(X_test)
ovr_jaccard_score = jaccard_score(Y_test, Y_pred_ovr, average="samples")

二元分类器链#

由于每个链中的模型是随机排列的，因此链之间的性能存在显着差异。据推测，链中的类存在一个最佳顺序，从而产生最佳性能。然而，我们不知道先验排序。相反，我们可以通过平均分类器链的二进制预测并应用0.5的阈值来构建分类器链的投票集成。集成的Jaccard相似性分数大于独立模型的Jaccard相似性分数，并且往往超过集成中每个链的分数（尽管这对于随机排序的链来说并不能保证）。

from sklearn.multioutput import ClassifierChain

chains = [ClassifierChain(base_lr, order="random", random_state=i) for i in range(10)]
for chain in chains:
    chain.fit(X_train, Y_train)

Y_pred_chains = np.array([chain.predict_proba(X_test) for chain in chains])
chain_jaccard_scores = [
    jaccard_score(Y_test, Y_pred_chain >= 0.5, average="samples")
    for Y_pred_chain in Y_pred_chains
]

Y_pred_ensemble = Y_pred_chains.mean(axis=0)
ensemble_jaccard_score = jaccard_score(
    Y_test, Y_pred_ensemble >= 0.5, average="samples"
)

图结果#

绘制独立模型、每个链和总体的Jaccard相似性分数（请注意，此图上的垂直轴不是从0开始）。

model_scores = [ovr_jaccard_score] + chain_jaccard_scores + [ensemble_jaccard_score]

model_names = (
    "Independent",
    "Chain 1",
    "Chain 2",
    "Chain 3",
    "Chain 4",
    "Chain 5",
    "Chain 6",
    "Chain 7",
    "Chain 8",
    "Chain 9",
    "Chain 10",
    "Ensemble",
)

x_pos = np.arange(len(model_names))

fig, ax = plt.subplots(figsize=(7, 4))
ax.grid(True)
ax.set_title("Classifier Chain Ensemble Performance Comparison")
ax.set_xticks(x_pos)
ax.set_xticklabels(model_names, rotation="vertical")
ax.set_ylabel("Jaccard Similarity Score")
ax.set_ylim([min(model_scores) * 0.9, max(model_scores) * 1.1])
colors = ["r"] + ["b"] * len(chain_jaccard_scores) + ["g"]
ax.bar(x_pos, model_scores, alpha=0.5, color=colors)
plt.tight_layout()
plt.show()

Classifier Chain Ensemble Performance Comparison

结果解释#

这个情节有三个主要要点：

独立模型包裹 OneVsRestClassifier 性能比分类器链的集合和一些单个链的集合更差。这是由于逻辑回归没有对标签之间的关系进行建模而导致的。
ClassifierChain 利用标签之间的相关性，但由于标签排序的随机性，它可能会产生比独立模型更差的结果。
链的集合表现更好，因为它不仅捕捉标签之间的关系，而且不会对其正确顺序做出强烈假设。

Total running time of the script: （0分1.821秒）