RandomForest и веса классов

11

Вопрос в одном предложении: знает ли кто-нибудь, как определить вес хорошего класса для случайного леса?

Пояснение: я играю с несбалансированными наборами данных. Я хочу использовать этот Rпакет randomForest, чтобы обучить модель очень искаженному набору данных, используя только небольшие положительные примеры и множество отрицательных примеров. Я знаю, что есть и другие методы, и в конце я буду их использовать, но по техническим причинам создание случайного леса является промежуточным этапом. Поэтому я поигрался с параметром classwt. Я устанавливаю очень искусственный набор данных из 5000 негативных примеров на диске с радиусом 2, а затем я пробую 100 позитивных примеров на диске с радиусом 1. Я подозреваю, что

1) без взвешивания классов модель становится «вырожденной», т. Е. FALSEВезде предсказываемой .

2) с весом справедливого класса я буду видеть «зеленую точку» в середине, то есть он будет предсказывать диск с радиусом 1, как TRUEбудто есть отрицательные примеры.

Вот как выглядят данные:

введите описание изображения здесь

Это то , что происходит без взвешивания: (звонок: randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50))

введите описание изображения здесь

Для проверки я также попытался выяснить, что происходит, когда я жестко балансирую набор данных путем понижающей дискретизации отрицательного класса, чтобы снова соотношение составляло 1: 1. Это дает мне ожидаемый результат:

введите описание изображения здесь

Однако, когда я вычисляю модель с весами классов «FALSE» = 1, «TRUE» = 50 (это справедливый вес, поскольку негативов в 50 раз больше, чем позитивов), тогда я получаю следующее:

введите описание изображения здесь

Только когда я устанавливаю весовые коэффициенты на какое-то странное значение, например, «FALSE» = 0,05 и «TRUE» = 500000, я получаю ощутимые результаты:

введите описание изображения здесь

И это довольно нестабильно, то есть изменение веса «ЛОЖЬ» на 0,01 делает модель снова вырожденной (то есть она предсказывает TRUEвезде).

Вопрос: Кто-нибудь знает, как определить вес хорошего класса для случайного леса?

Код R:

library(plot3D)
library(data.table)
library(randomForest)
set.seed(1234)
amountPos = 100
amountNeg = 5000

# positives
r = runif(amountPos, 0, 1)
phi = runif(amountPos, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(T, length(x))
pos = data.table(x = x, y = y, z = z)

# negatives
r = runif(amountNeg, 0, 2)
phi = runif(amountNeg, 0, 2*pi)
x = r*cos(phi)
y = r*sin(phi)
z = rep(F, length(x))
neg = data.table(x = x, y = y, z = z)

train = rbind(pos, neg)

# draw train set, verify that everything looks ok
plot(train[z == F]$x, train[z == F]$y, col="red")
points(train[z == T]$x, train[z == T]$y, col="green")
# looks ok to me :-)

Color.interpolateColor = function(fromColor, toColor, amountColors = 50) {
  from_rgb = col2rgb(fromColor)
  to_rgb = col2rgb(toColor)

  from_r = from_rgb[1,1]
  from_g = from_rgb[2,1]
  from_b = from_rgb[3,1]

  to_r = to_rgb[1,1]
  to_g = to_rgb[2,1]
  to_b = to_rgb[3,1]

  r = seq(from_r, to_r, length.out = amountColors)
  g = seq(from_g, to_g, length.out = amountColors)
  b = seq(from_b, to_b, length.out = amountColors)

  return(rgb(r, g, b, maxColorValue = 255))
}
DataTable.crossJoin = function(X,Y) {
  stopifnot(is.data.table(X),is.data.table(Y))
  k = NULL
  X = X[, c(k=1, .SD)]
  setkey(X, k)
  Y = Y[, c(k=1, .SD)]
  setkey(Y, k)
  res = Y[X, allow.cartesian=TRUE][, k := NULL]
  X = X[, k := NULL]
  Y = Y[, k := NULL]
  return(res)
}

drawPredictionAreaSimple = function(model) {
  widthOfSquares = 0.1
  from = -2
  to = 2

  xTable = data.table(x = seq(from=from+widthOfSquares/2,to=to-widthOfSquares/2,by = widthOfSquares))
  yTable = data.table(y = seq(from=from+widthOfSquares/2,to=to-widthOfSquares/2,by = widthOfSquares))
  predictionTable = DataTable.crossJoin(xTable, yTable)
  pred = predict(model, predictionTable)
  res = rep(NA, length(pred))
  res[pred == "FALSE"] = 0
  res[pred == "TRUE"] = 1
  pred = res
  predictionTable = predictionTable[, PREDICTION := pred]
  #predictionTable = predictionTable[y == -1 & x == -1, PREDICTION := 0.99]
  col = Color.interpolateColor("red", "green")

  input = matrix(c(predictionTable$x, predictionTable$y), nrow = 2, byrow = T)
  m = daply(predictionTable, .(x, y), function(x) x$PREDICTION)
  image2D(z = m, x = sort(unique(predictionTable$x)), y = sort(unique(predictionTable$y)), col = col, zlim = c(0,1))
}


rfModel = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50)
rfModelBalanced = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50, classwt = c("FALSE" = 1, "TRUE" = 50))
rfModelBalancedWeird = randomForest(x = train[, .(x,y)],y = as.factor(train$z),ntree = 50, classwt = c("FALSE" = 0.05, "TRUE" = 500000))


drawPredictionAreaSimple(rfModel)
title("unbalanced")
drawPredictionAreaSimple(rfModelBalanced)
title("balanced with weights")
pos = train[z == T]
neg = train[z == F]
neg = neg[sample.int(neg[, .N], size = 100, replace = FALSE)]
trainSampled = rbind(pos, neg)
rfModelBalancedSampling = randomForest(x = trainSampled[, .(x,y)],y = as.factor(trainSampled$z),ntree = 50)
drawPredictionAreaSimple(rfModelBalancedSampling)
title("balanced with sampling")


drawPredictionAreaSimple(rfModelBalancedWeird)
title("balanced with weird weights")
Фабиан Вернер
источник
если работает типоразмер, почему бы не использовать это? Я также обнаружил, что сэмплирование лучше, чем другие. Также см большого ответа здесь stats.stackexchange.com/questions/157714/...
Катя
Daply в Plyr, вы должны называть это.
EngrStudent
Classwt Приоры классов. Не нужно суммировать до одного. Игнорируется для регрессии.
Диего
@Diego: Этот параметр кажется очень проблематичным, я не понимаю, как этот параметр ведет себя (см. Комментарии в вопросе!) ...
Фабиан Вернер

Ответы:

2

Не используйте жесткое ограничение для классификации жесткого членства и не используйте KPI, которые зависят от такого жесткого прогноза членства. Вместо этого работайте с вероятностным прогнозом, используя predict(..., type="prob")и оценивая их, используя правильные .

Эта ранняя ветка должна быть полезной: почему точность не является наилучшей мерой для оценки моделей классификации? Неудивительно, что я считаю, что мой ответ был бы особенно полезен (извините за бесстыдство), как и мой предыдущий ответ .

Стефан Коласса
источник
1
это тема, о которой вы говорили сегодня, верно? Я позабочусь об этом в своей работе :-)
Йонас Гейдельберг