Note

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

使用分类器链进行多标签分类#

本示例展示了如何使用 ClassifierChain 来解决多标签分类问题。

解决此类任务的最简单策略是对每个标签（即目标变量的每一列）独立训练一个二元分类器。在预测时，二元分类器的集合用于组装多任务预测。

这种策略无法建模不同任务之间的关系。ClassifierChain 是一个实现了更高级策略的元估计器（即一个包含内部估计器的估计器）。二元分类器的集合被用作一个链，其中链中一个分类器的预测被用作训练下一个新标签分类器的特征。因此，这些额外的特征允许每个链利用标签之间的相关性。

链的 Jaccard 相似度分数往往高于独立基础模型的分数。

# 作者：scikit-learn 开发者
# SPDX-License-Identifier: BSD-3-Clause

加载数据集#

在这个例子中，我们使用 yeast 数据集，该数据集包含 2,417 个数据点，每个数据点有 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个标签中的每一个训练一个逻辑回归分类器。为了评估这些分类器的性能，我们在一个保留的测试集上进行预测，并计算每个样本的 Jaccard 相似度。

import matplotlib.pyplot as plt
import numpy as np

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

# 从 https://www.openml.org/d/40597 加载一个多标签数据集
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)

拟合模型#

我们拟合了由 OneVsRestClassifier 包装的 LogisticRegression 模型和多个 ClassifierChain 组成的集成模型。

LogisticRegression 被 OneVsRestClassifier 包装#

由于默认情况下 LogisticRegression 无法处理具有多个目标的数据，我们需要使用 OneVsRestClassifier 。在拟合模型后，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#

由于每条链中的模型是随机排列的，因此链之间的性能差异显著。可以假设存在一个最佳的类顺序，可以产生最佳性能。然而，我们事先并不知道这个顺序。相反，我们可以通过对链的二元预测进行平均并应用0.5的阈值来构建分类器链的投票集成。集成的Jaccard相似度得分高于独立模型，并且往往超过集成中每条链的得分（尽管这在随机排列的链中并不保证）。

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"
)

绘制结果#

绘制独立模型、每个链和集成的Jaccard相似性得分（请注意，此图的纵轴并不是从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()