Note

Go to the end to download the full example code. or to run this example in your browser via Binder

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。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。

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（OneVsOneClassifier 和:class:~sklearn.multiclass.OneVsRestClassifier 元估计器）。这个例子将回顾它们。

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 sklearn.datasets.fetch_openml 函数从OpenML加载该数据集。

from sklearn.datasets import fetch_openml

X, y = fetch_openml(data_id=181, as_frame=True, return_X_y=True)

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。

y.value_counts().sort_index()

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

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 DecisionTreeClassifier 和 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。
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。
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。
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。

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)

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。

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"
)

Density of the accuracy scores for the different multiclass strategies

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。

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()

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#

机器学习研究期刊 5 2004年1月: 101-141. <https://www.jmlr.org/papers/volume5/rifkin04a/rifkin04a.pdf>`_ .

Total running time of the script: (0 minutes 14.026 seconds)

Related examples

Gallery generated by Sphinx-Gallery