概率校准本身需要交叉验证,因此CalibratedClassifierCV
每折叠训练一个校准分类器(在本例中使用StratifiedKFold
),并在调用 Predict_proba() 时取每个分类器的预测概率的平均值。这可能会导致对效应的解释。
我的假设是,如果训练集相对于特征和类别的数量来说很小,则每个子分类器的减少的训练集会影响性能,并且集成不能弥补它(或使其变得更糟)。此外,GradientBoostingClassifier 可能从一开始就提供了相当好的概率估计,因为它的损失函数针对概率估计进行了优化。
如果这是正确的,那么以与 CaliberatedClassifierCV 相同的方式但没有校准的集成分类器应该比单个分类器更差。此外,当使用更多的折叠次数进行校准时,这种影响应该会消失。
为了测试这一点,我扩展了您的脚本以增加折叠数量并包含未经校准的集成分类器,并且我能够确认我的预测。 10 倍校准的分类器总是比单个分类器表现更好,而未校准的集成则明显更差。在我的运行中,三重校准分类器的表现也并不比单一分类器差,所以这也可能是一个不稳定的效果。这些是同一数据集的详细结果:
这是我的实验的代码:
import numpy as np
from sklearn.datasets import make_classification
from sklearn import ensemble
from sklearn.calibration import CalibratedClassifierCV
from sklearn.metrics import log_loss
from sklearn import cross_validation
X, y = make_classification(n_samples=1000,
n_features=100,
n_informative=30,
n_redundant=0,
n_repeated=0,
n_classes=9,
random_state=0,
shuffle=False)
skf = cross_validation.StratifiedShuffleSplit(y, 5)
for train, test in skf:
X_train, X_test = X[train], X[test]
y_train, y_test = y[train], y[test]
clf = ensemble.GradientBoostingClassifier(n_estimators=100)
clf_cv = CalibratedClassifierCV(clf, cv=3, method='isotonic')
clf_cv.fit(X_train, y_train)
probas_cv = clf_cv.predict_proba(X_test)
cv_score = log_loss(y_test, probas_cv)
print 'calibrated score (3-fold):', cv_score
clf = ensemble.GradientBoostingClassifier(n_estimators=100)
clf_cv = CalibratedClassifierCV(clf, cv=10, method='isotonic')
clf_cv.fit(X_train, y_train)
probas_cv = clf_cv.predict_proba(X_test)
cv_score = log_loss(y_test, probas_cv)
print 'calibrated score (10-fold:)', cv_score
#Train 3 classifiers and take average probability
skf2 = cross_validation.StratifiedKFold(y_test, 3)
probas_list = []
for sub_train, sub_test in skf2:
X_sub_train, X_sub_test = X_train[sub_train], X_train[sub_test]
y_sub_train, y_sub_test = y_train[sub_train], y_train[sub_test]
clf = ensemble.GradientBoostingClassifier(n_estimators=100)
clf.fit(X_sub_train, y_sub_train)
probas_list.append(clf.predict_proba(X_test))
probas = np.mean(probas_list, axis=0)
clf_ensemble_score = log_loss(y_test, probas)
print 'uncalibrated ensemble clf (3-fold) score:', clf_ensemble_score
clf = ensemble.GradientBoostingClassifier(n_estimators=100)
clf.fit(X_train, y_train)
probas = clf.predict_proba(X_test)
score = log_loss(y_test, probas)
print 'direct clf score:', score
print