.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/multiclass/plot_multiclass_overview.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_multiclass_plot_multiclass_overview.py: =============================================== 多类训练元估计器概述 =============================================== 在这个例子中，我们讨论了当目标变量由两个以上的类别组成时的分类问题。这被称为多类分类。 在scikit-learn中，所有估计器都开箱即用地支持多类分类：为终端用户实现了最合理的策略。:mod:`sklearn.multiclass` 模块实现了各种策略，可以用于实验或开发仅支持二元分类的第三方估计器。 :mod:`sklearn.multiclass` 包括用于通过拟合一组二元分类器来训练多类分类器的OvO/OvR策略（:class:`~sklearn.multiclass.OneVsOneClassifier` 和:class:`~sklearn.multiclass.OneVsRestClassifier` 元估计器）。这个例子将回顾它们。 .. GENERATED FROM PYTHON SOURCE LINES 14-18 酵母 UCI 数据集 --------------------- 在这个例子中，我们使用了一个UCI数据集 [1]_，通常称为酵母数据集。我们使用 :func:`sklearn.datasets.fetch_openml` 函数从OpenML加载该数据集。 .. GENERATED FROM PYTHON SOURCE LINES 18-22 .. code-block:: Python from sklearn.datasets import fetch_openml X, y = fetch_openml(data_id=181, as_frame=True, return_X_y=True) .. GENERATED FROM PYTHON SOURCE LINES 23-24 为了了解我们正在处理的数据科学问题的类型，我们可以检查我们想要构建预测模型的目标。 .. GENERATED FROM PYTHON SOURCE LINES 24-27 .. code-block:: Python y.value_counts().sort_index() .. rst-class:: sphx-glr-script-out .. code-block:: none class_protein_localization CYT 463 ERL 5 EXC 35 ME1 44 ME2 51 ME3 163 MIT 244 NUC 429 POX 20 VAC 30 Name: count, dtype: int64 .. GENERATED FROM PYTHON SOURCE LINES 28-41 我们看到目标是离散的，由10个类别组成。因此，我们处理的是一个多类分类问题。 策略比较 --------------------- 在以下实验中，我们使用 :class:`~sklearn.tree.DecisionTreeClassifier` 和 :class:`~sklearn.model_selection.RepeatedStratifiedKFold` 交叉验证，进行 3 次分割和 5 次重复。 我们比较以下策略： * :class:~sklearn.tree.DecisionTreeClassifier 可以处理多类分类而无需任何特殊调整。它通过将训练数据分解成更小的子集，并关注每个子集中最常见的类别来工作。通过重复这个过程，模型可以准确地将输入数据分类为多个不同的类别。 * :class:`~sklearn.multiclass.OneVsOneClassifier` 训练一组二元分类器，每个分类器被训练来区分两个类别。 * :class:`~sklearn.multiclass.OneVsRestClassifier` ：训练一组二元分类器，每个分类器被训练来区分一个类别和其余类别。 * :class:`~sklearn.multiclass.OutputCodeClassifier` ：训练一组二元分类器，每个分类器被训练来区分一组类别和其余类别。类别集由一个代码本定义，该代码本在 scikit-learn 中随机生成。此方法提供了一个参数 `code_size` 来控制代码本的大小。我们将其设置为大于一，因为我们对压缩类别表示不感兴趣。 .. GENERATED FROM PYTHON SOURCE LINES 41-63 .. code-block:: Python import pandas as pd from sklearn.model_selection import RepeatedStratifiedKFold, cross_validate from sklearn.multiclass import ( OneVsOneClassifier, OneVsRestClassifier, OutputCodeClassifier, ) from sklearn.tree import DecisionTreeClassifier cv = RepeatedStratifiedKFold(n_splits=3, n_repeats=5, random_state=0) tree = DecisionTreeClassifier(random_state=0) ovo_tree = OneVsOneClassifier(tree) ovr_tree = OneVsRestClassifier(tree) ecoc = OutputCodeClassifier(tree, code_size=2) cv_results_tree = cross_validate(tree, X, y, cv=cv, n_jobs=2) cv_results_ovo = cross_validate(ovo_tree, X, y, cv=cv, n_jobs=2) cv_results_ovr = cross_validate(ovr_tree, X, y, cv=cv, n_jobs=2) cv_results_ecoc = cross_validate(ecoc, X, y, cv=cv, n_jobs=2) .. GENERATED FROM PYTHON SOURCE LINES 64-66 我们现在可以比较不同策略的统计性能。 我们绘制不同策略的得分分布图。 .. GENERATED FROM PYTHON SOURCE LINES 66-84 .. code-block:: Python from matplotlib import pyplot as plt scores = pd.DataFrame( { "DecisionTreeClassifier": cv_results_tree["test_score"], "OneVsOneClassifier": cv_results_ovo["test_score"], "OneVsRestClassifier": cv_results_ovr["test_score"], "OutputCodeClassifier": cv_results_ecoc["test_score"], } ) ax = scores.plot.kde(legend=True) ax.set_xlabel("Accuracy score") ax.set_xlim([0, 0.7]) _ = ax.set_title( "Density of the accuracy scores for the different multiclass strategies" ) .. image-sg:: /auto_examples/multiclass/images/sphx_glr_plot_multiclass_overview_001.png :alt: Density of the accuracy scores for the different multiclass strategies :srcset: /auto_examples/multiclass/images/sphx_glr_plot_multiclass_overview_001.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 85-95 乍一看，我们可以看到决策树分类器的内置策略运行得相当好。一对一和纠错输出码策略的效果更好。然而，一对多策略的效果不如其他策略。 确实，这些结果重现了文献中报道的内容，如[2]_所述。然而，事情并不像看起来那么简单。 超参数搜索的重要性 ---------------------------------------- 后来在 [3]_ 中显示，如果首先优化基分类器的超参数，多分类策略将显示出类似的分数。 在这里，我们尝试通过至少优化基础决策树的深度来重现这样的结果。 .. GENERATED FROM PYTHON SOURCE LINES 95-125 .. code-block:: Python from sklearn.model_selection import GridSearchCV param_grid = {"max_depth": [3, 5, 8]} tree_optimized = GridSearchCV(tree, param_grid=param_grid, cv=3) ovo_tree = OneVsOneClassifier(tree_optimized) ovr_tree = OneVsRestClassifier(tree_optimized) ecoc = OutputCodeClassifier(tree_optimized, code_size=2) cv_results_tree = cross_validate(tree_optimized, X, y, cv=cv, n_jobs=2) cv_results_ovo = cross_validate(ovo_tree, X, y, cv=cv, n_jobs=2) cv_results_ovr = cross_validate(ovr_tree, X, y, cv=cv, n_jobs=2) cv_results_ecoc = cross_validate(ecoc, X, y, cv=cv, n_jobs=2) scores = pd.DataFrame( { "DecisionTreeClassifier": cv_results_tree["test_score"], "OneVsOneClassifier": cv_results_ovo["test_score"], "OneVsRestClassifier": cv_results_ovr["test_score"], "OutputCodeClassifier": cv_results_ecoc["test_score"], } ) ax = scores.plot.kde(legend=True) ax.set_xlabel("Accuracy score") ax.set_xlim([0, 0.7]) _ = ax.set_title( "Density of the accuracy scores for the different multiclass strategies" ) plt.show() .. image-sg:: /auto_examples/multiclass/images/sphx_glr_plot_multiclass_overview_002.png :alt: Density of the accuracy scores for the different multiclass strategies :srcset: /auto_examples/multiclass/images/sphx_glr_plot_multiclass_overview_002.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 126-150 我们可以看到，一旦超参数被优化，所有多分类策略的性能都相似，如[3]_中所讨论的。 Conclusion ---------- 我们可以从这些结果中获得一些直观的理解。 首先，当超参数未优化时，one-vs-one 和纠错输出码优于树的原因在于它们集成了更多的分类器。集成方法提高了泛化性能。这有点类似于为什么在不优化超参数的情况下，bagging 分类器通常比单个决策树表现更好。 然后，我们看到了优化超参数的重要性。实际上，即使像集成这样的方法有助于减少这种影响，在开发预测模型时也应定期进行探索。 最后，重要的是要记住，scikit-learn中的估计器是通过特定策略开发的，可以直接处理多分类问题。因此，对于这些估计器来说，不需要使用不同的策略。这些策略主要对仅支持二分类的第三方估计器有用。在所有情况下，我们还展示了超参数应该被优化。 References ---------- .. [1] https://archive.ics.uci.edu/ml/datasets/Yeast .. [2] `"将多类问题简化为二类问题：一种统一的边缘分类器方法。" Allwein, Erin L., Robert E. Schapire, 和 Yoram Singer. 机器学习研究期刊 1 2000年12月: 113-141. `_ . .. [3] `"为一对多分类辩护。" 机器学习研究期刊 5 2004年1月: 101-141. `_ . .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 14.026 seconds) .. _sphx_glr_download_auto_examples_multiclass_plot_multiclass_overview.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/multiclass/plot_multiclass_overview.ipynb :alt: Launch binder :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_multiclass_overview.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_multiclass_overview.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_multiclass_overview.zip ` .. include:: plot_multiclass_overview.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_