Scikit правильный способ калибровки классификаторов с CalibratedClassifierCV

Scikit имеет CalibratedClassifierCV , который позволяет нам калибровать наши модели по определенной паре X, Y. В нем также четко указано, чтоdata for fitting the classifier and for calibrating it must be disjoint.

Если они должны быть непересекающимися, законно ли обучать классификатор следующим?

model = CalibratedClassifierCV(my_classifier)
model.fit(X_train, y_train)

Я боюсь, что, используя тот же тренировочный набор, я нарушаю disjoint dataправила. Альтернативой может быть наличие набора проверки

my_classifier.fit(X_train, y_train)
model = CalibratedClassifierCV(my_classifier, cv='prefit')
model.fit(X_valid, y_valid)

Который имеет недостаток, оставляя меньше данных для обучения. Кроме того, если CalibratedClassifierCV должен подходить только для моделей, подходящих для другого обучающего набора, почему это будут параметры по умолчанию cv=3, которые также будут соответствовать базовой оценке? Проводит ли перекрестная проверка отдельное правило самостоятельно?

Вопрос: как правильно использовать CalibratedClassifierCV?

В документации CalibratedClassifierCV упоминаются две вещи, которые намекают на способы ее использования:

base_estimator: если cv = prefit, классификатор должен быть уже помещен в данные.

cv: если «prefit» пройден, предполагается, что base_estimator уже установлен, и все данные используются для калибровки.

Я, очевидно, могу интерпретировать это неправильно, но, похоже, вы можете использовать CCCV (сокращение от CalibratedClassifierCV) двумя способами:

Номер один:

• Вы тренируете свою модель как обычно your_model.fit(X_train, y_train).
• Затем вы создаете свой экземпляр CCCV your_cccv = CalibratedClassifierCV(your_model, cv='prefit'). Обратите внимание, что вы cvотметили, что ваша модель уже подходит.
• Наконец, вы звоните your_cccv.fit(X_validation, y_validation). Эти данные проверки используются исключительно для целей калибровки.

Номер два:

• У вас есть новая, неподготовленная модель.
• Тогда ты создаешь your_cccv=CalibratedClassifierCV(your_untrained_model, cv=3). Обратите внимание cv, теперь количество сгибов.
• Наконец, вы звоните your_cccv.fit(X, y). Поскольку ваша модель не обучена, X и Y должны использоваться как для обучения, так и для калибровки. Способ обеспечения того, чтобы данные «не пересекались», заключается в перекрестной проверке: для любого заданного сгиба CCCV разделит X и y на ваши данные обучения и калибровки, чтобы они не перекрывались.

TLDR: первый метод позволяет вам контролировать то, что используется для обучения и калибровки. Во втором методе используется перекрестная проверка, чтобы максимально эффективно использовать ваши данные для обеих целей.

Я также заинтересован в этом вопросе и хотел бы добавить несколько экспериментов, чтобы лучше понять CalibratedClassifierCV (CCCV).

Как уже было сказано, есть два способа его использования.

#Method 1, train classifier within CCCV
model = CalibratedClassifierCV(my_clf)
model.fit(X_train_val, y_train_val)

#Method 2, train classifier and then use CCCV on DISJOINT set
my_clf.fit(X_train, y_train)
model = CalibratedClassifierCV(my_clf, cv='prefit')
model.fit(X_val, y_val)

В качестве альтернативы, мы могли бы попробовать второй метод, но просто выполнить калибровку по тем же данным, которые мы использовали.

#Method 2 Non disjoint, train classifier on set, then use CCCV on SAME set used for training
my_clf.fit(X_train_val, y_train_val)
model = CalibratedClassifierCV(my_clf, cv='prefit')
model.fit(X_train_val, y_train_val)

Хотя документы предупреждают об использовании непересекающегося набора, это может быть полезно, потому что оно позволяет вам затем проверить my_clf(например, увидетьcoef_ , которые недоступны из объекта CalibratedClassifierCV). (Кто-нибудь знает, как получить это из калиброванных классификаторов - для одного, их три, так что вы бы усреднили коэффициенты?).

Я решил сравнить эти 3 метода с точки зрения их калибровки на полностью проведенном тестовом наборе.

Вот набор данных:

X, y = datasets.make_classification(n_samples=500, n_features=200,
                                    n_informative=10, n_redundant=10,
                                    #random_state=42, 
                                    n_clusters_per_class=1, weights = [0.8,0.2])

Я добавил некоторый дисбаланс классов и предоставил только 500 образцов, чтобы сделать эту проблему сложной.

Я провожу 100 испытаний, каждый раз пробуя каждый метод и составляя его калибровочную кривую.

Бокплоты Бриера набирают очки во всех испытаниях:

Увеличение количества образцов до 10000:

Если мы изменим классификатор наивный Байес, возвращаясь к 500 выборкам:

Похоже на то, что образцов недостаточно для калибровки. Увеличение образцов до 10000

Полный код

print(__doc__)

# Based on code by Alexandre Gramfort <alexandre.gramfort@telecom-paristech.fr>
#         Jan Hendrik Metzen <jhm@informatik.uni-bremen.de>

import matplotlib.pyplot as plt

from sklearn import datasets
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import brier_score_loss
from sklearn.calibration import CalibratedClassifierCV, calibration_curve
from sklearn.model_selection import train_test_split


def plot_calibration_curve(clf, name, ax, X_test, y_test, title):

    y_pred = clf.predict(X_test)
    if hasattr(clf, "predict_proba"):
        prob_pos = clf.predict_proba(X_test)[:, 1]
    else:  # use decision function
        prob_pos = clf.decision_function(X_test)
        prob_pos = \
            (prob_pos - prob_pos.min()) / (prob_pos.max() - prob_pos.min())

    clf_score = brier_score_loss(y_test, prob_pos, pos_label=y.max())

    fraction_of_positives, mean_predicted_value = \
        calibration_curve(y_test, prob_pos, n_bins=10, normalize=False)

    ax.plot(mean_predicted_value, fraction_of_positives, "s-",
             label="%s (%1.3f)" % (name, clf_score), alpha=0.5, color='k', marker=None)

    ax.set_ylabel("Fraction of positives")
    ax.set_ylim([-0.05, 1.05])
    ax.set_title(title)

    ax.set_xlabel("Mean predicted value")

    plt.tight_layout()
    return clf_score

    fig, (ax1, ax2, ax3) = plt.subplots(nrows=3, ncols=1, figsize=(6,12))

    ax1.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated",)
    ax2.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")
    ax3.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")

    scores = {'Method 1':[],'Method 2':[],'Method 3':[]}


fig, (ax1, ax2, ax3) = plt.subplots(nrows=3, ncols=1, figsize=(6,12))

ax1.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated",)
ax2.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")
ax3.plot([0, 1], [0, 1], "k:", label="Perfectly calibrated")

scores = {'Method 1':[],'Method 2':[],'Method 3':[]}

for i in range(0,100):

    X, y = datasets.make_classification(n_samples=10000, n_features=200,
                                        n_informative=10, n_redundant=10,
                                        #random_state=42, 
                                        n_clusters_per_class=1, weights = [0.8,0.2])

    X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.80,
                                                        #random_state=42
                                                               )

    X_train, X_val, y_train, y_val = train_test_split(X_train_val, y_train_val, test_size=0.80,
                                                      #random_state=42
                                                     )

    #my_clf = GaussianNB()
    my_clf = LogisticRegression()

    #Method 1, train classifier within CCCV
    model = CalibratedClassifierCV(my_clf)
    model.fit(X_train_val, y_train_val)
    r = plot_calibration_curve(model, "all_cal", ax1, X_test, y_test, "Method 1")
    scores['Method 1'].append(r)

    #Method 2, train classifier and then use CCCV on DISJOINT set
    my_clf.fit(X_train, y_train)
    model = CalibratedClassifierCV(my_clf, cv='prefit')
    model.fit(X_val, y_val)
    r = plot_calibration_curve(model, "all_cal", ax2, X_test, y_test, "Method 2")
    scores['Method 2'].append(r)

    #Method 3, train classifier on set, then use CCCV on SAME set used for training
    my_clf.fit(X_train_val, y_train_val)
    model = CalibratedClassifierCV(my_clf, cv='prefit')
    model.fit(X_train_val, y_train_val)
    r = plot_calibration_curve(model, "all_cal", ax3, X_test, y_test, "Method 2 non Dis")
    scores['Method 3'].append(r)

import pandas
b = pandas.DataFrame(scores).boxplot()
plt.suptitle('Brier score')

Таким образом, результаты оценки Бриера неубедительны, но в соответствии с кривыми лучше всего использовать второй метод.